Maschinelles Lernen entschlüsselt kosmische Beben

Neuronales Netz analysiert Gravitationswellen in Echtzeit.

Ein interdisziplinäres Forscherteam des MPI für Intel­li­gente Systeme in Tübingen und des MPI für Gravita­tions­physik – Albert-Einstein-Institut in Potsdam hat einen Algorithmus entwickelt, der ein tiefes neuronales Netz verwendet, um aus mit LIGO und Virgo empfangenen Gravitations­wellen sekunden­schnell auf die Eigen­schaften der beiden mit­ein­ander verschmelzenden schwarzen Löcher zu schließen. „Unsere Methode kann in wenigen Sekunden sehr genaue Aussagen darüber treffen, wie groß und schwer die zwei schwarzen Löcher waren, die bei ihrer Verschmelzung die Gravitations­wellen erzeugt haben. Wie schnell rotieren die schwarzen Löcher, wie weit sind sie von der Erde entfernt und aus welcher Richtung kommt die Gravitations­welle? All diese Informa­tionen können wir aus den Beobachtungs­daten ableiten und darüber hinaus Aussagen über die Genauig­keit dieser Berechnung treffen“, erklärt Maximilian Dax vom MPI-IS.

Abb.: Der Algorithmus schätzt alle Para­meter, die eine Quelle aus zwei...
Abb.: Der Algorithmus schätzt alle Para­meter, die eine Quelle aus zwei schwarzen Löchern charak­te­ri­sieren, in nur wenigen Sekunden genau ab. Himmels­posi­tionen der acht Ereig­nisse aus dem ersten und zweiten LIGO/Virgo-Beob­ach­tungs­lauf (links). Vier ab­ge­leitete Para­meter (rechts) für GW150914 (orange: maschi­nelles Lernen, blau: Stan­dard­methode; Bild: MPI-IS / AIP)

Das Forscherteam trainierte das neuronale Netz mit vielen Simula­tionen — voraus­berechnete Gravitations­wellen für hypo­thetische Doppel­systeme von schwarzen Löchern kombiniert mit dem Rauschen der Detektoren. Auf diese Weise lernt das Netzwerk die Zusammen­hänge zwischen den gemessenen Gravitations­wellen­daten und den Parametern, die das zugrunde liegende System schwarzer Löcher charakte­ri­sieren. Es dauert zehn Tage, bis der Algorithmus namens DINGO – Deep Inference for Gravitational-wave Observations – ausgelernt hat. Dann ist er einsatz­bereit: in nur wenigen Sekunden leitet das Netzwerk aus den Daten neu beobachteter Gravitations­wellen die Größe, die Eigen­dreh­impulse und alle anderen Parameter ab, die die schwarzen Löcher beschreiben. Die hoch­genaue Analyse entschlüsselt fast in Echtzeit die Kräuselungen der Raumzeit – das hat es in dieser Geschwindig­keit und Präzision noch nie gegeben.

„Schnelle Methoden wie die unsere sind unerlässlich, um all diese Daten in angemessener Zeit zu analysieren“, sagt Stephen Green vom AEI. „DINGO hat den Vorteil, dass es – einmal trainiert – neue Ereignisse sehr schnell analysieren kann. Wichtig ist dabei auch, dass es detail­lierte Schätzungen der Ungenauig­keit von Parametern liefert, die in der Vergangen­heit mit Methoden des maschinellen Lernens nur schwer zu ermitteln waren.“ Bislang verwenden die Forscher der LIGO- und Virgo-Kollaborationen sehr rechen­intensive Algorithmen zur Analyse der Daten. Sie benötigen für die Inter­pretation jeder Messung Millionen neuer Simula­tionen von Gravitations­wellen. Das dauert mehrere Stunden bis Monate – DINGO jedoch ist weitaus schneller, da das trainierte Netzwerk keine weiteren Simula­tionen für die Analyse neuer Beobachtungs­daten benötigt – ein Verfahren, das als „amorti­sierte Inferenz“ bekannt ist.

Vielversprechend ist die Methode auch für komplexere Gravitations­wellen­signale von Kollisionen schwarzer Löcher, deren Analyse mit den bislang verfüg­baren Algorithmen sehr lange dauert, sowie für zwei verschmelzende Neutronen­sterne. Während bei der Kollision von schwarzen Löchern Energie ausschließlich in Form von Gravitations­wellen frei­gesetzt wird, senden verschmelzende Neutronen­sterne zusätzlich elektro­magnetische Strahlung aus. Sie sind daher auch für herkömm­liche Teleskope sichtbar, die möglichst schnell auf die entsprechende Himmels­region ausge­richtet werden müssen, um das Ereignis beobachten zu können. Dazu muss man sehr schnell feststellen, woher die Gravitations­welle kommt, was durch die neue Methode des maschinellen Lernens erleichtert wird. In Zukunft könnten diese Informationen dafür genutzt werden, die Teleskope recht­zeitig auszu­richten, um elektro­magnetische Signale von Kolli­sionen von Neutronen­sternen oder eines Neutronen­sterns mit einem schwarzen Loch zu beobachten.

MPI-IS / RK

Weitere Infos

 

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

EnergyViews

EnergyViews
Dossier

EnergyViews

Die neuesten Meldungen zu Energieforschung und -technologie von pro-physik.de und Physik in unserer Zeit.

Meist gelesen

Themen