机器学习方法可以增强天文台的追求引力波

得益于加利福尼亚大学里弗赛德分校的科学家的工作，在重力波检测的Ligo设施产生的大型，复杂数据集中的噪音变得更加容易。

UCR研究人员在最近的IEEE Big-Data研讨会上介绍了一篇论文，展示了一种新的，无监督的机器学习方法，以在激光干涉仪重力波动波动台的辅助通道数据中找到新模式。该技术还可能适用于大型粒子加速器实验和大型复杂工业系统。

Ligo是一个检测的设施引力波•时空本身的瞬时干扰是由大型身体加速产生的。这是第一个从合并黑洞中检测到的波浪的人，证实了爱因斯坦相对论的关键部分。

Ligo在华盛顿的汉福德和路易斯安那州利文斯顿有两个分离的4公里长的干涉仪，它们通过使用高功率激光梁来共同检测引力波。这些探测器的发现提供了一种新的方式来观察宇宙，并解决有关黑洞，宇宙学和宇宙中最密集状态的性质的问题。

两个LIGO探测器中的每一个都记录了成千上万的数据流或通道，这些数据流构成了位于检测器位点的环境传感器的输出。

领导UCR Ligo集团的物理学和天文学助理教授乔纳森·理查森（Jonathan Richardson）表示：“我们与LIGO专员密切合作开发的机器学习方法，完全由数据中的数据完全识别出数据。”

“我们发现它恢复了运营商在Ligo探测器站点所知的环境'状态，根本没有人类的输入。这为我们可以使用的强大新实验工具打开了我们可以用来帮助定位噪声耦合并直接使用的强大新实验工具指导探测器的未来改进。”

理查森（Richardson）解释说，Ligo探测器对任何类型的外部干扰都极为敏感。地面运动以及从风到格陵兰海岸或太平洋海岸的任何类型的振动运动可能会影响实验的灵敏度和数据质量他说，导致“故障”或噪音爆发增加的时期。

“监视环境条件他说：“在这些地点是连续完成的。我们开发的工具可以在许多精心挑选和精心策划的感应通道上识别不同感兴趣的环境状态，例如地震，微观主义和人为噪声。”

计算机科学与工程学副教授Vagelis Papalexakis担任Ross家族科学主席，他的论文介绍了该团队的论文，标题为“多变量时间序列集群，用于环境状态，用于地面重力波探测器的环境表征”，IEEE的第五届国际研讨会关于上个月在华盛顿特区进行的创新科学发现的大数据和AI工具，模型和用例出版在arxiv预印服务器。

Papalexakis说：“我们的机器学习方法的工作方式是，我们采用一个模型，负责识别数据集中的模式，并让该模型自行查找模式。”“该工具能够识别与人类运营商和专员在Ligo站点已经知道的具有物理意义的环境状态的相同模式。”

Papalexakis补充说，该团队曾与Ligo Scientific合作合作，以确保发布非常大的数据集，该数据集与研究论文中报道的分析有关。此数据发布使研究社区不仅可以验证团队的结果，而且还可以开发出试图识别数据模式的新算法。

Papalexakis说：“我们已经确定了外部环境噪声与某些类型的故障损害数据质量之间的迷人联系。”“这一发现有可能帮助消除或防止这种噪音的发生。”

该团队组织并通过所有Ligo频道工作了大约一年。理查森指出，数据发布是一项重大任务。

他说：“我们的团队代表整个Ligo Scientific Collakoration率先发行了这一发布，该合作有大约3200名成员。”“这是这些特定类型的数据集中的第一个，我们认为这将对机器学习和计算机科学界产生很大的影响。”

理查森（Richardson）解释说，团队开发的工具可以从许多异质传感器的信号中获取信息，这些传感器正在测量Ligo站点周围的不同干扰。他说，该工具可以将信息提炼成单个状态，然后可以用来搜索Ligo检测器中噪声问题何时发生的时间序列关联，并将它们与当时的网站环境状态相关联。

他说：“如果您可以识别模式，则可以对检测器进行物理更改，例如。”“希望我们的工具可以阐明物理噪声耦合途径，该途径允许对LIGO探测器进行可行的实验更改。我们的长期目标是用于该工具来检测新的关联和新形式的环境形式与干涉仪中未知噪声问题相关的状态。”

与理查森（Richardson）合作的博士生Pooyan Goodarzi强调了公开发布数据集的重要性。

他说：“通常，这样的数据往往是专有的。”“尽管如此，我们还是设法发布了一个大规模数据集，我们希望在数据科学和机器学习方面进行更多的跨学科研究。”

理查森（Richardson），帕帕莱克斯基（Papalexakis）和古德尔兹（Goodarzi）与帕帕莱克斯基（Papalexakis）合作的博士生Rutuja Gurav加入了研究；艾萨克·凯利（Isaac Kelly），夏季本科生的REU学生；利文斯顿观测站的Anamaria灭火器；以及Barry Barish，UCR杰出的物理和天文学教授。