Методы и инструменты ИИ, используемые для удаления шума и извлечения чистых сигналов гравитационных волн из детекторов.Детекторы гравитационных волн, такие как LIGO, невероятно чувствительны, но эта чувствительность имеет свою цену: они постоянно подвергаются воздействию шума от сейсмических вибраций, тепловых флуктуаций и даже квантовых эффектов. Этот шум может имитировать или маскировать подлинные сигналы. Фильтрация шума — это искусство отделения слабого сигнала гравитационной волны от этого хаоса. Традиционные методы используют частотные фильтры и согласованную фильтрацию, но современные подходы всё чаще применяют машинное обучение для выявления и удаления шумовых артефактов, известных как «глитчи».
Фильтрация шума была проблемой с момента создания первых детекторов гравитационных волн в 1960-х годах. Современная эра машинного обучения для классификации глитчей началась около 2016 года, когда проект Gravity Spy использовал краудсорсинг и нейронные сети для классификации глитчей в данных LIGO.
Выходной сигнал детектора представляет собой непрерывный поток данных с шумом и редкими сигналами. Фильтрация шума обычно включает несколько этапов: сначала известные источники шума (например, сейсмические волны или гул от электросети) удаляются с помощью адаптивных фильтров. Затем согласованная фильтрация коррелирует данные с теоретическими формами сигналов для поиска сигналов. Для глитчей — коротких нестационарных шумовых всплесков — классификаторы машинного обучения обучаются распознавать их сигнатуры и помечать их для удаления. Некоторые методы ИИ, такие как подход «театра теней», упомянутый в корпусе, могут даже генерировать синтетические глитчи для обучения более эффективных классификаторов.
Эффективная фильтрация шума необходима для каждого заявления об обнаружении — она гарантирует, что то, что выглядит как сигнал, не является просто шумовым артефактом. Она также повышает чувствительность поисков непрерывных волн и стохастических фонов.
Некоторые глитчи в LIGO вызваны пролетающими над головой самолётами, и создаваемый ими шум может быть настолько характерным, что классификаторы машинного обучения способны определить конкретную модель самолёта.
