.
Quando dois buracos negros se fundem, eles emitem ondas gravitacionais que correm pelo espaço e tempo na velocidade da luz. Quando estes atingem a Terra, grandes detectores nos Estados Unidos (LIGO), Itália (Virgo) e Japão (KAGRA) podem detectar os sinais. Ao comparar com as previsões teóricas, os cientistas podem determinar as propriedades dos buracos negros: massas, rotações, orientação, posição no céu e distância da Terra.
Uma equipe de pesquisadores do Departamento de Inferência Empírica do Instituto Max Planck para Sistemas Inteligentes (MPI-IS) em Tübingen e do Departamento de Relatividade Astrofísica e Cosmológica do Instituto Max Planck de Física Gravitacional (Instituto Albert Einstein/AEI) em Potsdam desenvolveu agora desenvolveu um sistema de aprendizado profundo de autoverificação que extrai com muita precisão informações de dados de ondas gravitacionais. No processo, o sistema verifica suas próprias previsões sobre os parâmetros de fusão de buracos negros – uma rede neural profunda com uma rede de segurança. Um conjunto de 42 ondas gravitacionais detectadas de buracos negros em fusão foram analisados com sucesso pelo algoritmo: quando comparados com algoritmos padrão computacionalmente caros, os resultados foram indistinguíveis. O estudo foi publicado em 26 de abril de 2023 na revista Cartas de revisão física.
DINGO: uma rede neural profunda para análise de ondas gravitacionais
Os pesquisadores desenvolveram uma rede neural profunda chamada DINGO (Deep INference for Gravitational-wave Observations) para analisar os dados. O DINGO foi treinado para extrair – ou inferir – os parâmetros da fonte de ondas gravitacionais dos dados do detector. Houve um comunicado à imprensa sobre isso em dezembro de 2021. A rede aprendeu a interpretar dados reais (observados) de ondas gravitacionais após o treinamento com muitos milhões de sinais simulados em diferentes configurações.
Confie mas verifique
No entanto, à primeira vista, não é possível dizer se a rede neural profunda está lendo as informações corretamente. De fato, uma desvantagem dos sistemas comuns de aprendizado profundo é que seus resultados parecem plausíveis mesmo quando estão errados. É por isso que os pesquisadores do MPI-IS e da AEI adicionaram um recurso de controle ao algoritmo. Maximilian Dax, aluno de doutorado no Departamento de Inferência Empírica do MPI-IS e primeiro autor da publicação explica: “Desenvolvemos uma rede com uma rede de segurança. Primeiro, o algoritmo calcula as propriedades dos buracos negros a partir da medição gravitacional- sinal de onda. Com base nesses parâmetros calculados, uma onda gravitacional é modelada e, em seguida, comparada com o sinal originalmente observado. A rede neural profunda pode, assim, verificar seus próprios resultados e corrigi-los em caso de dúvida.”
O algoritmo controla a si mesmo, tornando-o muito mais confiável do que os métodos anteriores de aprendizado de máquina. Mas não só isso. “Ficamos surpresos ao descobrir que o algoritmo geralmente é capaz de identificar eventos anômalos, ou seja, dados reais inconsistentes com nossos modelos teóricos. Essas informações podem ser usadas para ‘sinalizar’ dados rapidamente para investigação adicional”, diz Stephen Green, co-autor principal , e ex-cientista sênior da AEI (agora na Universidade de Nottingham).
“Podemos garantir a precisão do nosso método de aprendizado de máquina – o que quase nunca acontece no campo do aprendizado profundo. Portanto, torna-se atraente para a comunidade científica usar o algoritmo para analisar dados de ondas gravitacionais”, diz Alessandra Buonanno, autora e diretor do Departamento de Relatividade Astrofísica e Cosmológica da AEI. Cientistas de todo o mundo estão estudando ondas gravitacionais em grandes colaborações, como a LIGO Scientific Collaboration (LSC), na qual estão organizados mais de 1.500 pesquisadores.
Bernhard Schölkopf, diretor do MPI-IS, acrescenta: “Hoje, o DINGO analisa dados de ondas gravitacionais – mas esse método de autocontrole e autocorreção também é interessante para outras aplicações científicas em que é crucial poder para corroborar a exatidão dos métodos de rede neural ‘caixa preta’.”
.
