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

La gravità, come descritta da Albert Einstein, non è una forza che attira gli oggetti tra loro, ma una curvatura dello spazio e del tempo causata dalla massa. Quando oggetti massicci come i buchi neri spiraleggiano l'uno verso l'altro e collidono, creano increspature in questo tessuto note come onde gravitazionali. Queste onde trasportano una firma distinta, un modello specifico di allungamento e compressione che corrisponde alle previsioni della teoria di Einstein con straordinaria precisione. Tuttavia, gli scienziati si sono a lungo chiesti se esistano sottili crepe in questa teoria, che potrebbero rivelare nuova fisica o forze nascoste che Einstein non aveva previsto. Per trovare queste crepe, i ricercatori ascoltano il "chirp" (il trillo) dei buchi neri in collisione, cercando minuscole deviazioni nel ritmo dell'onda che segnalerebbero un allontanamento dalle regole standard della gravità.

La sfida risiede nella estrema sottigliezza di queste potenziali deviazioni. Esse sono sepolte profondamente nel rumore dei rilevatori, ed è incredibilmente difficile distinguere un genuino nuovo effetto fisico da una fluttuazione casuale o da una leggera interpretazione errata dei dati. Inoltre, esistono molti modi diversi in cui una teoria potrebbe deviare dalle previsioni di Einstein, ognuno con la propria impronta matematica unica. La domanda non è solo se possiamo udire una deviazione, ma se possiamo identificare esattamente quale tipo di deviazione sia. Questo è il puzzle centrale affrontato da un team di ricercatori dell'Università di Heidelberg, che si è rivolto all'intelligenza artificiale per vedere se un computer potesse imparare a classificare questi segnali sottili meglio dei metodi tradizionali.

I ricercatori si sono concentrati su un set specifico di possibili deviazioni, organizzate in sei famiglie distinte basate su come il ritmo dell'onda cambia durante la sua evoluzione. Immaginate la frequenza dell'onda come una nota musicale che scivola lungo la scala; in alcune teorie alternative, questo scivolamento potrebbe accelerare o rallentare in modo dipendente dall'altezza della nota. Il team ha definito sei modi diversi in cui questo scivolamento potrebbe avvenire, spaziando dagli effetti più forti alle basse altezze a quelli che dominano alle alte altezze. Hanno incluso anche il caso Einsteiniano standard, in cui non esiste alcuna deviazione. Per testare le loro idee, hanno generato migliaia di segnali di onde gravitazionali simulati da buchi neri in collisione, iniettando questi sei tipi di deviazioni nei dati e aggiungendo poi un rumore di fondo realistico che imita l'ambiente del rilevatore Advanced LIGO.

Per dare un senso a questi dati complessi, il team ha costruito una rete neurale, un tipo di programma informatico modellato sul cervello umano, progettato per agire come un classificatore. Inve al di là di chiedere semplicemente "C'è una deviazione?", la rete è stata addestrata per rispondere simultaneamente a due domande. Primo, doveva identificare quale delle sette possibilità fosse presente: il segnale standard Einsteiniano o una delle sei specifiche famiglie di deviazione. Secondo, doveva stimare l'intensità di tale deviazione. L'input fornito alla rete non era il suono grezzo dell'onda, ma una mappa matematica specializzata chiamata funzione di risposta. Questa mappa evidenzia esattamente quanto il rilevatore sia sensibile ai cambiamenti nella forma dell'onda, filtrando efficacemente le parti del segnale che sono già ben comprese e concentrando l'attenzione del computer sulle sottili anomalie dove una nuova teoria potrebbe nascondersi.

I risultati di questo esperimento hanno rivelato un confine netto tra ciò che il computer può fare e ciò che i dati stessi permettono. Quando le deviazioni erano forti e chiaramente visibili sopra il rumore, la rete neurale identificava correttamente la famiglia di deviazione circa il 43 percento delle volte per la sensibilità standard del rilevatore e circa il 33 percento per le condizioni specifiche di una recente fase di osservazione. Sebbene queste cifre possano sembrare modeste, sono straordinariamente vicine alle prestazioni di un classificatore "perfetto" teorico. Questo classificatore ideale è stato costruito dai ricercatori utilizzando l'esatta fisica del problema, conoscendo in anticipo i parametri reali di ogni sorgente. Il fatto che la rete neurale abbia performato quasi quanto questo limite teorico suggerisce che la difficoltà nell'identificare la corretta famiglia non sia un difetto del design o dell'addestramento del computer. Al contrario, il limite risiede nella natura stessa dei segnali.

Il problema centrale è che le diverse famiglie di deviazioni sono geometricamente molto simili. Quando il modello standard di onda gravitazionale viene applicato ai dati, il segnale residuo — la parte che non corrisponde — appare quasi identico per le famiglie vicine. È come se le diverse teorie lasciassero dietro di sé impronte digitali così simili nella forma che anche un osservatore perfetto farebbe fatica a distinguerle senza ulteriori informazioni. I ricercatori hanno scoperto che la rete commetteva gli stessi errori del limite teorico, confondendo spesso una famiglia con la sua vicina più prossima. Questa confusione era più pronunciata per i buchi neri più pesanti, che trascorrono meno tempo nell'intervallo sensibile del rilevatore, offrendo alle onde meno "note" da suonare e rendendo le differenze tra le teorie ancora più difficili da distinguere.

Nonostante la difficoltà nel individuare l'esatta famiglia, il sistema si è dimostrato altamente efficace a un livello più grossolano. La rete poteva quasi sempre rilevare che era presente alcuna deviazione, segnalandola correttamente in quasi ogni caso evidente e raramente generando falsi allarmi per i segnali standard. Inoltre, poteva determinare in modo affidabile se la deviazione facesse accelerare o rallentare l'onda, raggruppando le famiglie in categorie positive e negative con un'accuratezza dell'80 percento. Ciò suggerisce che, sebbene identificare la precisa forma matematica di una nuova teoria possa rimanere elusivo con gli attuali dati, la capacità di rilevare che qualcosa non va nel nostro attuale modello è robusta. Lo studio ha inoltre confermato che la rete poteva gestire il rumore reale dei rilevatori altrettanto bene quanto il rumore simulato, un passo cruciale per l'applicazione di questi strumenti alle osservazioni reali.

In definitiva, il lavoro dimostra che il collo di bottiglia nel testare la gravità con le onde gravitazionali non è la sofisticazione dei nostri algoritmi, ma la somiglianza intrinseca dei segnali che stiamo cercando di distinguere. La rete neurale ha raggiunto il soffitto di ciò che è possibile con i dati attuali; non può fare meglio perché l'informazione necessaria per separare le famiglie semplicemente non c'è. La strada da seguire, suggeriscono i ricercatori, consiste nel costruire rilevatori più sensibili che possano ascoltare le onde per periodi più lunghi, catturando una parte maggiore della "canzone" dei buchi neri. Con la prossima generazione di strumenti, che sarà in grado di ascoltare frequenze più basse e per durate più lunghe, le differenze tra queste teorie dovrebbero diventare molto più chiare, permettendoci potenzialmente di identificare finalmente la natura specifica di qualsiasi deviazione dalla gravità di Einstein.