Pomocí umělé inteligence můžeme detekovat gravitační vlny

Když byly v roce 2015 gravitační vlny poprvé detekovány pokročilou observatoří LIGO (Laser Interferometer Gravitational-Wave Observatory), vyvolaly vlnu ohlasu ve vědecké komunitě, protože potvrdily další z Einsteinových teorií a stály u zrodu astronomie gravitačních vln.

O pět let později byly detekovány četné zdroje gravitačních vln, včetně prvního pozorování dvou srážejících se neutronových hvězd v gravitačních a elektromagnetických vlnách.

Vzhledem k tomu, že LIGO a jeho mezinárodní partneři pokračují ve zvyšování citlivosti svých detektorů na gravitační vlny, budou schopni zkoumat větší objem vesmíru, čímž se detekce zdrojů gravitačních vln stane každodenní záležitostí.

Tato záplava objevů odstartuje éru přesné astronomie, která bere v úvahu mimozemské poselské jevy, včetně elektromagnetického záření, gravitačních vln, neutrin a kosmického záření. Realizace tohoto cíle však bude vyžadovat radikální přehodnocení stávajících metod používaných k hledání a nalézání gravitačních vln.

Detekce gravitační vlny pomocí umělé inteligence je rychlejší

Nedávno vyvinul výpočetní vědec a vedoucí pracovník pro translační umělou inteligenci (AI) Eliu Huerta z Argonne National Laboratory amerického ministerstva energetiky (DOE) ve spolupráci se spolupracovníky z Argonne, Chicagské univerzity, Illinoiské univerzity v Urbana Champaign, společnosti NVIDIA a IBM nový rámec pro umělou inteligenci ve výrobním měřítku, který umožňuje zrychlenou, škálovatelnou a reprodukovatelnou detekci gravitačních vln.

Tento nový rámec naznačuje, že modely AI by mohly být stejně citlivé jako tradiční algoritmy pro porovnávání šablon, ale řádově rychlejší. Kromě toho by tyto algoritmy umělé inteligence potřebovaly ke zpracování pokročilých dat LIGO rychleji než v reálném čase pouze levný grafický procesor (GPU), jaký se nachází v herních systémech.

Soubor AI použitý pro tuto studii zpracoval celý měsíc – srpen 2017 – pokročilých dat LIGO za méně než sedm minut, přičemž soubor dat byl rozdělen na 64 grafických procesorů NVIDIA V100. Ansámbl umělé inteligence použitý týmem pro tuto analýzu identifikoval všechna čtyři binární splynutí černých děr, která byla v tomto souboru dat dříve identifikována a nezaznamenal žádnou chybnou klasifikaci.

„Jako počítačového vědce mě na tomto projektu vzrušuje, že ukazuje, jak lze se správnými nástroji metody umělé inteligence přirozeně integrovat do pracovních postupů vědců – což jim umožní dělat jejich práci rychleji a lépe – a rozšířit tak lidskou inteligenci, nikoli ji nahradit,“ uvedl v tiskové zprávě Ian Foster, ředitel divize Data Science and Learning (DSL) společnosti Argonne.

Tento interdisciplinární a multiinstitucionální tým spolupracovníků, který využívá různorodé zdroje publikoval v časopise Nature Astronomy článek, v němž představuje přístup založený na datech, který kombinuje kolektivní superpočítačové zdroje týmu a umožňuje reprodukovatelnou, zrychlenou detekci gravitačních vln řízenou umělou inteligencí.

„V této studii jsme využili kombinovanou sílu umělé inteligence a superpočítačů, abychom pomohli řešit včasné a relevantní experimenty s velkými daty. Nyní zajišťujeme, aby studie AI byly plně reprodukovatelné, nikoliv pouze zjišťujeme, zda AI může poskytnout nové řešení velkých výzev,“ řekl Huerta.

Zpracování velkého množství vědeckých dat díky investicím

V návaznosti na interdisciplinární povahu tohoto projektu se tým těší na nové aplikace tohoto rámce založeného na datech, které přesáhnou rámec velkých datových výzev ve fyzice.

„Tato práce zdůrazňuje významnou hodnotu datové infrastruktury pro vědeckou komunitu,“ řekl Ben Blaiszik, vědecký pracovník v Argonne a na Chicagské univerzitě.

„Dlouhodobé investice, které provedly DOE, National Science Foundation (NSF), National Institutes of Standards and Technology a další, vytvořily soubor stavebních kamenů. Je možné, abychom tyto stavební kameny spojili dohromady novými a vzrušujícími způsoby, abychom tuto analýzu rozšířili a v budoucnu pomohli poskytnout tyto schopnosti i ostatním.“

Huerta a jeho výzkumný tým vyvinuli svůj nový rámec díky podpoře NSF, programu LDRD (Laboratory Directed Research and Development) Argonne a programu INCITE (Innovative and Novel Computational Impact on Theory and Experiment) DOE.

„Tyto investice NSF obsahují originální, inovativní nápady, které jsou významným příslibem transformace způsobu zpracování vědeckých dat přicházejících v rychlých proudech. Plánované aktivity přinášejí zrychlené a heterogenní výpočetní technologie do mnoha vědeckých komunit v praxi,“ uvedl Manish Parashar, ředitel Úřadu pro pokročilou kyberinfrastrukturu NSF.