Identifiability Limits of Gravitational Wave Phase Deviations: Multiclass Classification with a Multihead Neural Network

إن الجاذبية، كما وصفها ألبرت أينشتاين، ليست قوة تجذب الأجسام نحو بعضها البعض، بل هي انحناء في الزمكان ناتج عن الكتلة. وعندما تلتف الأجسام الضخمة مثل الثقوب السوداء حول بعضها البعض وتتصادم، فإنها تخلق تموجات في هذا النسيج تُعرف باسم الموجات الثقالية. تحمل هذه الموجات بصمة مميزة، وهي نمط محدد من التمدد والانكماش يتوافق مع تنبؤات نظرية أينشتاين بدقة مذهلة. ومع ذلك، لطالما تساءل العلماء عما إذا كانت هناك شقوق دقيقة في هذه النظرية، ربما تكشف عن فيزياء جديدة أو قوى خفية لم يتوقعها أينشتاين. ولإيجاد هذه الشقوق، يستمع الباحثون إلى "زقزقة" (chirp) تصادم الثقوب السوداء، بحثاً عن انحرافات طفيفة في إيقاع الموجة قد تشير إلى خروج عن القواعد القياسية للجاذبية.

يكمن التحدي في الدقة المتناهية لهذه الانحرافات المحتملة؛ فهي مدفونة في أعماق الضجيج داخل أجهزة الكشف، ويعد التمييز بين تأثير فيزيائي جديد حقيقي وبين تقلب عشوائي أو سوء تفسير طفيف للبيانات أمراً صعباً للغاية. علاوة على ذلك، هناك طرق عديدة يمكن أن تنحرف بها النظرية عن تنبؤات أينشتاين، ولكل منها بصمتها الرياضية الفريدة. والسؤال ليس فقط ما إذا كان بإمكاننا سماع الانحراف، بل ما إذا كان بإمكاننا تحديد نوع الانحراف بالضبط. هذا هو اللغز المركزي الذي يتصدى له فريق من الباحثين في جامعة هايدلبرغ، الذين لجأوا إلى الذكاء الاصطناعي لمعرفة ما إذا كان بإمكان الكمبيوتر تعلم فرز هذه الإشارات الدقيقة بشكل أفضل من الطرق التقليدية.

ركز الباحثون على مجموعة محددة من الانحرافات المحتملة، المنظمة في ست عائلات متميزة بناءً على كيفية تغير إيقاع الموجة أثناء تطورها. تخيل تردد الموجة كنوتة موسيقية تنزلق عبر السلم الموسيقي؛ في بعض النظريات البديلة، قد تسرع هذه الانزلاقة أو تتباطأ بطريقة تعتمد على حدة النوتة. حدد الفريق ست طرق مختلفة لهذا الانزلاق، تتراوح بين التأثيرات التي تكون أقوى عند الحدات المنخفضة وتلك التي تهيمن عند الحدات العالية. كما تضمنت الحالة القياسية لأينشتاين، حيث لا يوجد مثل هذا الانحراف. ولاختبار أفكارهم، قاموا بتوليد آلاف الإشارات المحاكية للموجات الثقالية الناتجة عن تصادم الثقوب السوداء، وحقنوا هذه الأنواع الستة من الانحرافات في البيانات، ثم أضافوا ضجيجاً خلفياً واقعياً يحاكي بيئة كاشف "لايغو المتقدم" (Advanced LIGO).

ولفهم هذه البيانات المعقدة، بنى الفريق شبكة عصبية، وهي نوع من البرامج الحاسوبية المستوحاة من الدماغ البشري، صُممت لتعمل كمصنف. وبدلاً من مجرد السؤال "هل يوجد انحراف؟"، تم تدريب الشبكة للإجابة على سؤالين في آن واحد: أولاً، كان عليها تحديد أي من الاحتمالات السبعة هو الموجود (الإشارة القياسية لأينشتاين أو إحدى عائلات الانحراف الست المحددة)، وثانياً، كان عليها تقدير قوة ذلك الانحراف. لم يكن المدخل المقدم للشبكة هو الصوت الخام للموجة، بل خريطة رياضية متخصصة تسمى "دالة الاستجابة". تبرز هذه الخريطة بدقة مدى حساسية الكاشف للتغيرات في شكل الموجة، مما يعمل فعلياً على تصفية الأجزاء من الإشارة التي هي مفهومة بالفعل، وتركيز انتباه الكمبيوتر على الشذوذات الدقيقة حيث قد تختبئ نظرية جديدة.

كشفت نتائج هذه التجربة عن حدود واضحة بين ما يمكن للكمبيوتر القيام به وما تسمح به البيانات نفسها. فعندما كانت الانحرافات قوية وواضحة فوق مستوى الضجيج، نجحت الشبكة العصبية في تحديد عائلة الانحراف الصحيحة بنسبة 43 بالمائة لحساسية الكاشف القياسية، وحوالي 33 بالمائة لظروف محددة من دورة رصد حديثة. ورغم أن هذه الأرقام قد تبدو متواضعة، إلا أنها قريبة جداً من أداء "المصنف المثالي" نظرياً. وقد تم بناء هذا المصنف المثالي من قبل الباحثين باستخدام الفيزياء الدقيقة للمشكلة، مع معرفة المعايير الحقيقية لكل مصدر مسبقاً. إن حقيقة أن الشبكة العصبية أدت أداءً يقارب هذا الحد النظري تشير إلى أن الصعوبة في تحديد عائلة الانحراف بدقة لا تكمن في تصميم الكمبيوتر أو تدريبه، بل تكمن في طبيعة الإشارات نفسها.

تتمثل المشكلة الجوهرية في أن عائلات الانحراف المختلفة متشابهة هندسياً بشكل كبير. فعندما يتم مطابقة نموذج الموجة الثقالية القياسي مع البيانات، فإن الإشارة المتبقية — الجزء الذي لا يتطابق — تبدو متطابقة تقريباً مع العائلات المجاورة. الأمر يشبه وجود بصمات تتركها النظريات المختلفة تكون متشابهة جداً في الشكل لدرجة أن حتى المراقب المثالي سيعاني للتمييز بينها دون مزيد من المعلومات. وقد وجد الباحثون أن الشبكة ارتكبت نفس الأخطاء التي وقع فيها الحد النظري، حيث خلطت غالباً بين عائلة وأخرى من جيرانها الأقرب. وكان هذا الارتباك أكثر وضوحاً في حالة الثقوب السوداء الأثقل، التي تقضي وقتاً أقل في النطاق الحساس للكاشف، مما يمنح الموجات عدداً أقل من "النوتات" للعزف، ويجعل الاختلافات بين النظريات أصعب في التمييز.

وعلى الرغم من صعوبة تحديد العائلة بدقة، فقد أثبت النظام فاعلية عالية على مستوى أوسع. فقد استطاعت الشبكة دائماً تقريباً اكتشاف وجود أي انحراف، حيث رصدت ذلك بدقة في كل الحالات الصاخبة ونادراً ما أطلقت إنذاراً كاذباً للإشارات القياسية. علاوة على ذلك، استطاعت تحديد ما إذا كان الانحراف يجعل الموجة تتسارع أو تتباطأ بشكل موثوق، حيث صنفت العائلات إلى فئات موجبة وسالبة بدقة تصل إلى 80 بالمائة. وهذا يشير إلى أنه بينما قد يظل تحديد الشكل الرياضي الدقيق لنظرية جديدة أمراً مستعصياً بالبيانات الحالية، فإن القدرة على اكتشاف أن هناك خطأ ما في فهمنا الحالي هي قدرة قوية. كما أكدت الدراسة أن الشبكة يمكنها التعامل مع ضجيج الكاشف الواقعي بنفس كفاءة الضجيج المحاكى، وهي خطوة حاسمة لتطبيق هذه الأدوات على عمليات الرصد الفعلية.

في نهاية المطاف، يوضح هذا العمل أن العقبة أمام اختبار الجاذبية باستخدام الموجات الثقالية ليست في تطور خوارمازمياتنا، بل في التشابه الجوهري بين الإشارات التي نحاول التمييز بينها. لقد وصلت الشبكة العصبية إلى السقف الممكن لما يمكن تحقيقه بالبيانات الحالية؛ فهي لا تستطيع تقديم أداء أفضل لأن المعلومات ببساطة ليست موجودة للفصل بين العائلات. ويقترح الباحثون أن الطريق إلى الأمام يكمثل في بناء كواشف أكثر حساسية يمكنها سماع الموجات لفترات أطول، والتقاط المزيد من "أغنية" الثقوب السوداء. ومع الجيل القادم من الأدوات، التي ستكون قادرة على الاستماع إلى ترددات أقل ولمدد أطول، من المتوقع أن تصبح الاختلافات بين هذه النظريات أكثر وضوحاً، مما قد يسمح لنا أخيراً بتحديد الطبيعة المحددة لأي انحراف عن جاذبية أينشتاين.