Des algorithmes d'intelligence artificielle sont utilisés pour détecter et analyser les signaux d'ondes gravitationnelles.La détection des ondes gravitationnelles repose traditionnellement sur le filtrage adapté, où des formes d'onde théoriques connues sont comparées aux données des détecteurs. Mais de nombreux signaux — en particulier ceux provenant de sources exotiques ou d'événements inattendus — ne correspondent à aucun modèle. L'intelligence artificielle, notamment les réseaux de neurones profonds, peut apprendre à reconnaître le « chirp » caractéristique d'une fusion sans qu'on lui fournisse de modèles exacts, ce qui en fait un outil puissant à la fois pour trouver plus efficacement les signaux connus et pour découvrir des signaux inattendus. L'IA aide également à distinguer les signaux authentiques de la myriade de sources de bruit qui affectent les détecteurs.
L'utilisation de l'IA en astronomie des ondes gravitationnelles a gagné en importance à la fin des années 2010, plusieurs groupes de recherche ayant démontré que l'apprentissage profond pouvait égaler ou dépasser la sensibilité du filtrage adapté pour certains types de signaux. Les premières applications publiées sont apparues vers 2017, peu après les premières détections par LIGO et Virgo.
Les réseaux de neurones sont entraînés sur de grands ensembles de données de signaux d'ondes gravitationnelles simulés, mélangés à du bruit réel des détecteurs. Pendant l'entraînement, le réseau apprend à identifier des motifs subtils qui distinguent un signal réel du bruit. Une fois entraîné, le réseau peut analyser les données entrantes en temps réel, signalant les événements potentiels beaucoup plus rapidement que les méthodes traditionnelles. Certains algorithmes, comme GWAgent mentionné dans le corpus, sont conçus pour interpréter les signaux en contexte, en distinguant différents types de sources.
L'IA est désormais utilisée dans les pipelines en temps réel de LIGO et Virgo pour identifier rapidement les événements candidats en vue d'observations de suivi, ainsi que dans les analyses hors ligne pour rechercher des signaux que les méthodes traditionnelles pourraient manquer.
Certains systèmes d'IA peuvent détecter des signaux d'ondes gravitationnelles en moins d'une seconde, alors que le filtrage adapté traditionnel peut prendre des heures ou des jours pour la même recherche.
| x | variable | data sample — sample |
| z | variable | latent variable sample — latent variable |
| D(x) | variable | discriminator output for real data — discriminator output |
| G(z) | variable | generator output for latent variable — generator output |
| V(D,G) | variable | value function of the game — value function |
| min_G | opérateur | minimize with respect to generator parameters — minimization over generator |
| max_D | opérateur | maximize with respect to discriminator parameters — maximization over discriminator |
| E_{x~p_data} | opérateur | expectation over the empirical data distribution — expectation over data distribution |
| E_{z~p_z} | opérateur | expectation over the latent prior distribution — expectation over latent distribution |
| log | opérateur | natural logarithm — logarithme |
