科学家通过机器学习改善重力波识别

一项研究出版在物理评论信概述了一种通过查看整个后验分布而不是根据各个参数做出决策来从二进制系统中提取信息的新方法。

自从他们在2015年发现以来引力波已经成为研究早期宇宙的天文学家的重要工具，一般相对论和宇宙事件的局限性（如紧凑型事件）二进制系统。

二进制系统由两个大型物体组成，例如中子星或黑洞，彼此旋转。当它们合并在一起时，它们会在时空引力波中产生涟漪，从而为我们提供了有关两个物体的信息。

研究人员在已发表的研究中解决的问题涉及二进制系统中两个对象的标签。根据公约，较重的物体被标记为“ 1”，另一个标记为“ 2”。这里的问题是，在处理两个对象具有相似质量的系统时，该系统在错误范围内变得令人困惑。

尽管以前的方法建议使用其他属性（例如自旋幅度），但当对象具有相似的旋转时，它仍然会产生问题。

研究人员建议通过消除对单个不同参数的依赖来使用更全面的方法。Phys.org与意大利米拉诺比科卡大学的第一作者Davide Gerosa博士进行了交谈，他提到他的动力长期以来一直是他的动力。

“这项研究挑战了一个长期以来的假设，即迄今为止，所有引力波分析的基础是几十年来毫无疑问的一项分析。标准方法确实是真正的最佳选择？更根本地说，定义最佳标签的机器学习甚至是什么意思？提供了强大的，数据驱动的解决方案。”

研究小组还包括他的两个学生，即Viola de Renzis和Federica Tettoni，他的小组Costantino Pacilio的博士后，现在是MIT的前学生Matthew Mold，以及伯明翰大学的长期合作者Alberto Vecchio。

完整的图片

研究人员通过将其框架作为一个受约束的聚类问题而对此问题有所不同。机器学习。这是半监督学习算法的一种形式，它识别数据中的模式，同时始终限制在某些条件下。

在这种情况下，研究人员施加的限制是，必须将同一引力波事件的两个对象分配给不同的类别。

该方法的关键不是依赖或预先提交特定参数，例如质量，作为区分因子。相反，他们让数据本身揭示了区分对象的最合适方法。

Gerosa博士解释说：“关键是认识到标签策略是我们在查看引力波数据时必须做出的故意选择。这是一个概念上的问题，应该更彻底地探索，因为所有下游应用都可能受到影响。”

更高的精度，更有信心

研究人员将其机器学习模型应用于Ligo，处女座和Kagra探测器的合成和真实引力波数据。

他们发现在自旋测量的精度黑洞大大提高了多达50％，数据中的双峰分布往往会消失。现在，科学家可以更自信地区分系统中的物体是黑洞还是中子恒星。

Gerosa博士说：“本文表明，单个旋转的测量值最多可以提高50％。这非常重要。这种额外的准确性需要新的工具，而我们表明它可以通过数据分析来实现。”

对黑洞旋转等参数进行更精确的测量对于理解其形成至关重要。这种方法可能对黑洞旋转测量值具有重要意义，这在历史上一直具有挑战性。

研究人员发现，来自Ligo和处女座的重力波数据中约有10％的后样品可以通过不同的标签更好地表示。尽管这个数字看起来很小，但事件解释的差异很大。

例如，研究人员发现，对于重力波事件（GW191103_012549），常规方法表明，系统中的一个黑洞与轨道运动的方向相反。

但是，他们的新方法将该概率降低到0.1％，这意味着几乎可以肯定的是，黑洞沿与轨道相同的方向旋转。

Gerosa博士指出：“我们的分析会影响当前和未来检测器的所有重力波测量。”在讨论即将到来的观测站（如Lisa（激光干涉仪空间天线））和爱因斯坦望远镜等即将发生的观测值时指出。

这项研究是关于如何重新审视基本假设的经典证明数据分析可以产生重要的结果而无需新信息。

©2025科学X网络