
Алгоритмы искусственного интеллекта используются для обнаружения и анализа гравитационно-волновых сигналов.Обнаружение гравитационных волн традиционно опиралось на согласованную фильтрацию, при которой известные теоретические формы сигналов сравниваются с данными детектора. Но многие сигналы — особенно от экзотических источников или неожиданных событий — не соответствуют ни одному шаблону. Искусственный интеллект, особенно глубокие нейронные сети, может научиться распознавать характерный «чирп» слияния без точных шаблонов, что делает их мощным инструментом как для более эффективного поиска известных сигналов, так и для обнаружения неожиданных. ИИ также помогает отделять подлинные сигналы от множества источников шума, которые мешают работе детекторов.
Использование ИИ в гравитационно-волновой астрономии получило известность в конце 2010-х годов, когда несколько исследовательских групп продемонстрировали, что глубокое обучение может соответствовать или превосходить чувствительность согласованной фильтрации для некоторых типов сигналов. Первые опубликованные применения появились около 2017 года, вскоре после первых обнаружений LIGO и Virgo.
Нейронные сети обучаются на больших наборах данных смоделированных гравитационно-волновых сигналов, смешанных с реальным шумом детекторов. Во время обучения сеть учится выявлять тонкие закономерности, отличающие реальный сигнал от шума. После обучения сеть может сканировать поступающие данные в реальном времени, отмечая потенциальные события гораздо быстрее, чем традиционные методы. Некоторые алгоритмы, такие как GWAgent, упомянутый в корпусе, предназначены для интерпретации сигналов в контексте, различая разные типы источников.
ИИ теперь используется в конвейерах реального времени на LIGO и Virgo для быстрой идентификации кандидатов в события для последующих наблюдений, а также в автономных анализах для поиска сигналов, которые традиционные методы могут пропустить.
Некоторые системы ИИ могут обнаруживать гравитационно-волновые сигналы менее чем за секунду, в то время как традиционная согласованная фильтрация может занять часы или дни для того же поиска.
| x | переменная | выборка данных — sample |
| z | переменная | выборка скрытой переменной — latent variable |
| D(x) | переменная | выход дискриминатора для реальных данных — discriminator output |
| G(z) | переменная | выход генератора для скрытой переменной — generator output |
| V(D,G) | переменная | функция ценности игры — value function |
| min_G | оператор | минимизация по параметрам генератора — minimization over generator |
| max_D | оператор | максимизация по параметрам дискриминатора — maximization over discriminator |
| E_{x~p_data} | оператор | математическое ожидание по эмпирическому распределению данных — expectation over data distribution |
| E_{z~p_z} | оператор | математическое ожидание по априорному распределению скрытых переменных — expectation over latent distribution |
| log | оператор | натуральный логарифм — логарифм |


