MADGRAV: a multilevel anomaly-detection pipeline for gravitational-wave searches applied to LIGO data

Tief in der Stille des Weltraums können massereiche Objekte wie Schwarze Löcher kollidieren und dabei Wellen in das Gefüge des Universums selbst aussenden. Diese Wellen, bekannt als Gravitationswellen, dehnen und stauchen den Raum, während sie reisen, und tragen Informationen über die gewaltsamen Ereignisse in sich, die sie erzeugt haben. Um diese Flüstern zu hören, nutzen Wissenschaftler riesige Laserinstrumente, sogenannte Interferometer, die so empfindlich sind, dass sie Abstandsänderungen detektieren können, die kleiner als ein einzelnes Atom sind. Diese Instrumente sind jedoch auch unglaublich empfindlich gegenüber der verrauschten Welt um sie herum. Erdbeben, vorbeifahrende Lastwagen und sogar das thermische Zittern der Ausrüstung selbst erzeugen falsche Signale, die den kosmischen Wellen, die die Wissenschaftler zu finden versuchen, sehr ähnlich sehen. Zwischen einem echten Signal und diesem Berg an Rauschen zu unterscheiden, ist eine der schwierigsten Herausforderungen der modernen Physik.

Jahrelang war die Standardmethode, um diese Signale zu finden, die Suche nach spezifischen Mustern. Wissenschaftler haben eine Bibliothek theoretischer Wellenformen erstellt, sogenannte Templates, basierend darauf, wie sich Schwarze Löcher bei einer Verschmelzung verhalten sollten. Sie lassen diese Templates dann über die Daten gleiten, um nach einer Übereinstimmung zu suchen. Diese Methode funktioniert wunderbar, wenn die Signale stark und die Schwarzen Löcher relativ leicht sind. Doch wenn die kollidierenden Objekte extrem schwer sind, wird das Signal sehr kurz und komplex und dauert manchmal nur einen Bruchteil einer Sekunde. In diesen Fällen könnten die Standard-Templates das Signal komplett übersehen oder das Rauschen könnte es verbergen. Dies hat Forscher dazu veranlasst, zu fragen, ob es eine andere Art des Zuhörens gibt, die nicht darauf basiert, im Voraus genau zu wissen, wie der Klang aussehen sollte.

Ein Team von Forschern hat einen neuen Ansatz namens MADGRAV entwickelt, der die Suche nach Gravitationswellen als ein Spiel des Erkennens des Ungewöhnlichen behandelt. Anstatt einem Computer beizubringen, eine spezifische Form zu erkennen, haben sie ihn gelehrt, zu erkennen, wie normaler Lärm aussieht. Das System basiert auf einer Art künstlicher Intelligenz, die als konvolutionales Autoencoder bekannt ist. Stellen Sie sich eine Maschine vor, die mit Millionen von Bildern von statischem Rauschen auf einem Fernsehbildschirm gefüttert wird. Sie lernt, dieses Rauschen in eine einfache Zusammenfassung zu komprimieren und das Bild anschließend aus dieser Zusammenfassung wieder aufzubauen. Weil die Maschine die Muster des Rauschens gelernt hat, kann sie ein Bild von Rauschen sehr gut rekonstruieren. Aber wenn ein echtes Signal, wie etwa eine deutliche Welle, in den Daten erscheint, hat die Maschine Schwierigkeiten, es zu rekonstruieren, weil es nicht in das Muster des Rauschens passt, das sie gelernt hat. Der Unterschied zwischen dem ursprünglichen verrauschten Bild und dem mangelhaften Rekonstruktionsversuch der Maschine wird zu einem Flag (Warnsignal). Je größer der Fehler ist, desto wahrscheinlicher ist es, dass etwas Reales und Ungewöhnliches geschieht.

Die Forscher wandten diese Idee auf Daten an, die von den zwei LIGO-Detektoren in den USA, gelegen in Hanford, Washington, und Livingston, Louisiana, gesammelt wurden. Sie analysierten Daten aus dem dritten und vierten Beobachtungszeitraum, die mehrere Jahre umfassten. Der Prozess beginnt damit, die Daten in Ein-Sekunden-Fenster zu zerlegen und sie in visuelle Karten umzuwandeln, die zeigen, wie sich das Signal über die Zeit und die Frequenz verändert. Das Kern-KI-System untersucht jede Karte des Detektors einzeln und weist einen Score zu, basierend darauf, wie gut es das Bild rekonstruieren kann. Wenn die Rekonstruktion schlecht ist, deutet dies auf eine Anomalie hin. Um sicherzustellen, dass diese Anomalien echte kosmische Ereignisse und nicht nur lokale Störungen in einem einzelnen Detektor sind, prüft das System auf Kohärenz. Es schaut nach, ob dieselbe Anomalie in beiden Detektoren gleichzeitig auftritt, wobei die winzige Verzögerung berücksichtigt wird, die eine Welle benötigt, um zwischen den beiden Standorten zu reisen.

Sobald ein potenzielles Signal diese ersten Prüfungen besteht, durchläuft es eine Reihe zusätzlicher Filter. Diese Filter sind darauf ausgelegt, spezifische Arten von Rauschen abzufangen, die den ersten Schritt hätten täuschen können. Das System nutzt spezialisierte Netzwerke, um verschiedene Frequenzbereiche zu betrachten, was hilft, zwischen den breiten, kurzen Ausbrüchen schwerer Schwarzer-Loch-Verschmelzungen und den scharfen, erratischen Spitzen des instrumentellen Rauschens zu unterscheiden. Schließlich werden alle Informationen in einem einzigen Ranking-Score kombelt. Wenn dieser Score hoch genug ist, wird das Ereignis als Detektion markiert. Die Forscher testeten diese Pipeline an realen Daten und fanden heraus, dass sie erfolgreich 47 Gravitationswellen-Ereignisse identifizierte. Alle diese Ereignisse hatten eine sehr geringe Wahrscheinlichkeit, ein Fehlalarm zu sein, mit einer Rate von weniger als einem pro Jahr.

Die Ergebnisse zeigen, dass diese anomaliebasierte Methode besonders gut darin ist, die schwersten Verschmelzungen Schwarzer Löcher zu finden. Die detektierten Ereignisse hatten Gesamtmassen, die von 14 bis zum 236-fachen der Masse unserer Sonne reichten, mit einer Medianmasse von 69 Sonnenmassen. Das System hat einen signifikanten Teil der bekannten schweren Ereignisse wiedergefunden und dabei 53,3 % der sicheren Detektionen in der höchsten Massenkategorie identifiziert. Dies deutet darauf hin, dass die Methode nicht nur ein Backup-Plan ist, sondern eine leistungsstarke, unabhängige Art, in das Universum hineinzuhören. Sie ergänzt die traditionellen, template-basierten Suchen, indem sie Signale einfängt, die für die Standardmethoden vielleicht zu kurz oder zu komplex sind. Die Forscher merkten an, dass das System einige leichtere Ereignisse übersah, die ohne ein spezifisches Template schwieriger vom Rauschen zu unterscheiden sind, aber es zeichnete sich dort aus, wo andere Methoden Schwierigkeiten haben.

Eine der bedeutendsten Erkenntnisse ist, dass die neue Pipeline 44 der gleichen Ereignisse fand, die durch eine andere, etablierte Suchmethode namens Coherent WaveBurst identifiziert wurden. Diese Überschneidung bestätigt, dass das neue System korrekt arbeitet und keine falsch-positiven Ergebnisse liefert. Die Pipeline fand jedoch auch drei Ereignisse, die die andere Methode übersehen hatte: GW240406 (welches keine veröffentlichte Masse hat), GW190513 und GW200129. Bemerkenswerterweise hat das System GW190521 nicht wiedergefunden, die massereichste bisher berichtete binäre Verschmelzung Schwarzer Löcher, die zwar die Anomalieerkennung auslöste, aber letztlich aufgrund der Glitch-Unterdrückung und der Ranking-Statistiken unter die Signifikanzschwelle eingestuft wurde. Dies zeigt, dass der Ansatz der Anomalieerkennung Signale aufdecken kann, die sonst möglicherweise im Rauschen verborgen geblieben wären, verdeutlicht aber auch die aktuellen Einschränkungen bei der Erfassung bestimmter extremer Ereignisse. Die Studie kommt zu dem Schluss, dass diese Art von Machine-Learning-Pipeline kein rein theoretisches Konzept mehr ist, sondern ein praktisches, kalibriertes Werkzeug zur Entdeckung der massereichsten Kollisionen Schwarzer Löcher im Universum. Indem es lernt, wie Rauschen aussieht und alles andere als Ausnahme markiert, bietet das System eine frische Perspektatur auf die kosmische Sinfonie und beweist, dass die beste Art, ein Signal zu finden, manchmal einfach darin besteht, auf die Stille zu hören, die das Muster durchbricht.