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

Die Gravitation, wie sie von Albert Einstein beschrieben wurde, ist keine Kraft, die Objekte zusammenzieht, sondern eine Krümmung von Raum und Zeit, die durch Masse verursacht wird. Wenn massive Objekte wie Schwarze Löcher aufeinander zustreben und kollidieren, erzeugen sie Kräuselungen in diesem Gefüge, die als Gravitationswellen bekannt sind. Diese Wellen tragen eine markante Signatur, ein spezifisches Muster aus Dehnung und Stauchung, das den Vorhersagen von Einsteins Theorie mit bemerkenswerter Präzision entspricht. Forscher haben sich jedoch lange gefragt, ob es subtile Risse in dieser Theorie gibt, die vielleicht neue Physik oder verborgene Kräfte offenbaren, die Einstein nicht vorhergesehen hat. Um diese Risse zu finden, lauschen die Forscher dem „Chirp“ kollidierender Schwarzer Löcher und suchen nach winzigen Abweichungen im Rhythmus der Welle, die auf eine Abweichung von den Standardregeln der Gravitation hindeuten würden.

Die Herausforderung liegt in der schieren Subtilität dieser potenziellen Abweichungen. Sie sind tief im Rauschen der Detektoren vergraben, und es ist unglaublich schwierig, einen echten neuen physikalischen Effekt von einer zufälligen Fluktuation oder einer leichten Fehlinterpretation der Daten zu unterscheiden. Zudem gibt es viele verschiedene Arten, wie eine Theorie von Einsteins Vorhersagen abweichen könnte, jede mit ihrem eigenen einzigartigen mathematischen Fingerabdruck. Die Frage ist nicht nur, ob wir eine Abweichung hören können, sondern ob wir genau identifizieren können, um welche Art von Abweichung es sich handelt. Dies ist das zentrale Rätsel, das ein Team von Forschern der Universität Heidelberg angeht, die künstliche Intelligenz einsetzten, um zu sehen, ob ein Computer lernen kann, diese subtilen Signale besser zu sortieren als traditionelle Methoden.

Die Forscher konzentrierten sich auf einen spezifischen Satz möglicher Abweichungen, die in sechs verschiedene Familien unterteilt sind, basierend darauf, wie sich der Rhythmus der Welle während ihrer Entwicklung verändert. Stellen Sie sich die Frequenz der Welle als eine musikalische Note vor, die die Tonleiter hinaufgleitet; in einigen alternativen Theorien könnte dieses Gleiten in einer Weise beschleunigt oder verlangsamt werden, die von der Tonhöhe der Note abhängt. Das Team definierte sechs verschiedene Arten, wie dieses Gleiten geschehen könnte, reichend von Effekten, die bei niedrigen Tonhöhen am stärksten sind, bis hin zu solchen, die bei hohen Tonhöhen dominieren. Sie schlossen auch den standardmäßigen Einsteinschen Fall ein, bei dem keine solche Abweichung existiert. Um ihre Ideen zu testen, erzeugten sie tausende simulierte Gravitationswellensignale von kollidierenden Schwarzen Löchern, injizierten diese sechs Arten von Abweichungen in die Daten und fügten dann realistisches Hintergrundrauschen hinzu, das die Umgebung des Advanced-LIGO-Detektors nachahmt.

Um diese komplexen Daten zu verstehen, entwickelten die Forscher ein neuronales Netz, eine Art Computerprogramm, das dem menschlichen Gehirn nachempfunden ist und als Klassifikator fungieren soll. Anstatt nur zu fragen: „Gibt es eine Abweichung?“, wurde das Netzwerk darauf trainiert, zwei Fragen gleichzeitig zu beantworten. Erstens musste es identifizieren, welche der sieben Möglichkeiten vorlag: das standardmäßige Einstein-Signal oder eine der sechs spezifischen Abweichungsfamilien. Zweitens musste es die Stärke dieser Abweichung abschätzen. Der Input für das Netzwerk war nicht der rohe Klang der Welle, sondern eine spezialisierte mathematische Karte, eine sogenannte Response-Funktion. Diese Karte hebt genau hervor, wie empfindlich der Detektor auf Änderungen in der Form der Welle reagiert, wodurch die Teile des Signals, die bereits gut verstanden sind, herausgefiltert werden und die Aufmerksamkeit des Computers auf die subtilen Anomalien gelenkt wird, in denen sich eine neue Theorie verbergen könnte.

Die Ergebnisse dieses Experiments zeigten eine klare Grenze zwischen dem, was der Computer leisten kann, und dem, was die Daten selbst zulassen. Wenn die Abweichungen stark und deutlich über dem Rauschen sichtbar waren, identifizierte das neuronale Netz die korrekte Abweichungsfamilie etwa 43 Prozent der Zeit bei der Standard-Detektorempfindlichkeit und etwa 33 Prozent unter den spezifischen Bedingungen eines jüngsten Beobachtungsdurchlaufs. Während diese Zahlen bescheiden erscheinen mögen, liegen sie bemerkenswert nah an der Leistung eines theoretischen „perfekten“ Klassifikators. Dieser ideale Klassifikator wurde von den Forschern unter Verwendung der exakten Physik des Problems konstruiert, wobei sie die wahren Parameter jeder Quelle im Voraus kannten. Die Tatsache, dass das neuronale Netz fast so gut wie diese theoretische Grenze arbeitete, deutet darauf hin, dass die Schwierigkeit bei der Identifizierung der korrekten Familie nicht in einem Fehler im Design oder Training des Computers liegt. Vielmehr liegt die Einschränkung in der Natur der Signale selbst.

Das Kernproblem besteht darin, dass die verschiedenen Abweichungsfamilien geometrisch sehr ähnlich sind. Wenn das standardmäßige Gravitationswellenmodell auf die Daten gefittet wird, sieht das verbleibende Signal – der Teil, der nicht übereinstimmt – den benachbarten Familien fast identisch aus. Es ist, als ob die verschiedenen Theorien Fingerabdrücke hinterlassen, die in ihrer Form so ähnlich sind, dass selbst ein perfekter Beobachter Schwierigkeiten hätte, sie ohne weitere Informationen voneinander zu unterscheiden. Die Forscher fanden heraus, dass das Netzwerk dieselben Fehler wie die theoretische Grenze machte und oft eine Familie mit ihrer nächsten Nachbarfamilie verwechselte. Diese Verwechslung war bei schwereren Schwarzen Löchern am ausgeprägtesten, da sie weniger Zeit im empfindlichen Bereich des Detektors verbringen, wodurch die Wellen weniger „Noten“ spielen und die Unterschiede zwischen den Theorien noch schwerer unterscheidbar machen.

Trotz der Schwierigkeit, die exakte Familie zu bestimmen, erwies sich das System auf einer gröberen Ebene als äußerst effektiv. Das Netzwerk konnte fast immer erkennen, dass irgendeine Abweichung vorhanden war, indem es sie in fast jedem lauten Fall korrekt markierte und dabei selten einen Fehlalarm für Standard-Signale auslöste. Darüber hinaus konnte es zuverlässig bestimmen, ob die Abweichung die Welle beschleunigte oder verlangsamte, indem es die Familien in positive und negative Kategorien mit einer Genauigkeit von etwa 80 Prozent gruppierte. Dies deutet darauf hin, dass, während die Identifizierung der präzisen mathematischen Form einer neuen Theorie mit den aktuellen Daten schwierig bleiben mag, die Fähigkeit zu erkennen, dass etwas mit unserem derzeitigen Verständnis nicht stimmt, robust ist. Die Studie bestätigte auch, dass das Netzwerk mit realem Detektorrauschen genauso gut umgehen konnte wie mit simuliertem Rauschen, was ein entscheidender Schritt für die Anwendung dieser Werkzeuge auf tatsächliche Beobachtungen ist.

Letztendlich zeigt die Arbeit, dass der Engpass beim Testen der Gravitation mit Gravitationswellen nicht die Komplexität unserer Algorithmen ist, sondern die intrinsische Ähnlichkeit der Signale, die wir zu unterscheiden versuchen. Das neuronale Netz hat die Decke dessen erreicht, was mit den aktuellen Daten möglich ist; es kann nicht besser werden, weil die Information schlichtweg nicht vorhanden ist, um die Familien zu trennen. Der Weg nach vorn liegt laut den Forschern im Bau empfindlicherer Detektoren, die die Wellen über längere Zeiträume „hören“ können, um mehr vom „Lied“ der Schwarzen Löcher einzufangen. Mit der nächsten Generation von Instrumenten, die in der Lage sein werden, auch niedrigere Frequenzen und über längere Zeiträume zu erfassen, werden die Unterschiede zwischen diesen Theorien voraussichtlich viel deutlicher werden, was uns letztlich ermöglichen könnte, die spezifische Natur einer etwaigen Abweichung von Einsteins Gravitation zu identifizieren.