Нейросеть EasyResNet выявляет гравитационные волны за миллисекунды и в ряде случаев превосходит классический подход
Команда исследователей протестировала сверточную нейросеть EasyResNet, обученную распознавать сигналы гравитационных волн от слияний компактных объектов — чёрных дыр и нейтронных звёзд. В серии симуляций модель показала эффективность, сопоставимую с традиционным методом согласованной фильтрации, а при наличии искажений сигналов или помех — даже лучшие результаты. Обработка одного изображения (карты отношения сигнал/шум) занимала около 3 миллисекунд на обычном CPU без специальной оптимизации.
Почему возникают сложности у классического метода
Современные поиски гравитационных волн в основном опираются на matched filtering — сопоставление данных детекторов с набором заранее рассчитанных шаблонов. Этот метод эффективно выделяет слабые сигналы на фоне шума, но требует серьёзных вычислительных ресурсов, особенно при росте объёмов данных и чувствительности детекторов. Проектируемый в Европе наземный Телескоп Эйнштейна (Einstein Telescope, ET) ещё увеличит эти требования.
Кроме того, реальные сигналы могут отходить от предусмотренных шаблонов: орбиты сливающихся объектов могут быть эксцентричными, оси вращения — прецессировать, а в излучении могут присутствовать высшие моды. Такие отклонения и кратковременные шумовые всплески (глитчи) снижают эффективность поиска, если соответствующие эффекты не включены в шаблонный набор.
Как интегрирована нейросеть в существующую схему
В предлагаемом подходе нейросеть не заменяет метод согласованной фильтрации полностью, а работает совместно с ним. Сначала данные переводят в двумерные карты, отражающие изменение отношения сигнал/шум во времени; затем эти карты анализирует EasyResNet. Модель обучена выделять характерные паттерны, присущие реальным гравитационным сигналам, и отличать их от артефактов шума и помех.
Главный технологический нюанс в том, что предложенная цепочка позволяет обходиться без дополнительного статистического теста χ², который в классических конвейерах используют для проверки согласованности обнаруженного сигнала с шаблоном и для отбрасывания части глитчей. Нейросеть учится распознавать несоответствия напрямую по визуальному виду карт отношения сигнал/шум.
Результаты симуляций и их ограничения
Авторы провели четыре серии симуляций. Наиболее заметные преимущества EasyResNet проявились в сценариях, где реальные сигналы отличались от шаблонных ожиданий или когда в данных присутствовали глитчи: в этих условиях сеть либо сохраняла эффективность классического поиска, либо превосходила его, при этом снижая вычислительную нагрузку.
При этом исследование остаётся proof-of-concept. Следующий этап — интеграция и тестирование EasyResNet в рабочих конвейерах поиска гравитационных волн, используемых коллаборацией LIGO–Virgo–KAGRA, чтобы оценить изменения чувствительности обнаружения и реальные вычислительные затраты по сравнению с текущими методами.
Планы дальнейшей работы
Исследователи намерены проверить более глубокие архитектуры и применять карты с более полной информацией о сигналах. Авторы отмечают, что их подход может уменьшить вычислительную нагрузку при поиске, особенно когда реальные сигналы отличаются от заранее рассчитанных шаблонов или когда данные содержат помехи. Однако преждевременно говорить о полном замещении стандартных поисковых систем: преимущества и ограничения нужно подтвердить на более широких наборах параметров и в реальных условиях работы с данными детекторов.
Источники: arXiv. Источник публикации: ixbt.com
