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

Nel profondo del silenzio dello spazio, oggetti massicci come i buchi neri possono collidere, inviando increspature nel tessuto stesso dell'universo. Queste increspature, note come onde gravitazionali, stirano e comprimono lo spazio mentre viaggiano, portando con sé informazioni sugli eventi violenti che le hanno create. Per ascoltare questi sussurri, gli scienziati utilizzano giganteschi strumenti laser chiamati interferometri, che sono così sensibili da poter rilevare variazioni di distanza più piccole di un singolo atomo. Tuttavia, questi strumenti sono incredibilmente sensibili anche al rumore del mondo circostante. Terremoti, camion in transito e persino il tremolio termico delle apparecchiature creano segnali falsi che somigliano molto alle increspature cosmiche che gli scienziati stanno cercando di trovare. Distinguere un segnale reale da questa montagna di rumore è una delle sfide più difficili della fisica moderna.

Per anni, il modo standard per trovare questi segnali è stato quello di cercare schemi specifici. Gli scienziati hanno costruito una libreria di forme d'onda teoriche, chiamate modelli (template), basate su come ci si aspetta che si comportino i buchi neri durante la fusione. Successivamente, fanno scorrere questi modelli sui dati, cercando una corrispondenza. Questo metodo funziona magnificamente quando i segnali sono forti e i buchi neri sono relativamente leggeri. Ma quando gli oggetti in collisione sono estremamente pesanti, il segnale diventa molto breve e complesso, durando talvolta solo una frazione di secondo. In questi casi, i modelli standard potrebbero mancare completamente il segnale, o il rumore potrebbe nasconderlo. Ciò ha portato i ricercatori a chiedersi se esista un modo diverso di ascoltare, uno che non dipenda dal sapere esattamente quale sia il suono in anticipo.

Un team di ricercatori ha sviluppato un nuovo approccio chiamato MADGRAV, che tratta la ricerca di onde gravitazionali come un gioco di individuazione dell'insolito. Invece di insegnare a un computer a riconoscere una forma specifica, gli hanno insegnato a riconoscere come appare il rumore normale. Il sistema è costruito su un tipo di intelligenza artificiale nota come autoencoder convoluzionale. Immaginate una macchina che viene nutrita con milioni di immagini di statica di un televisore. Essa impara a comprimere quella statica in un riassunto semplice e poi a ricostruire l'immagine partendo da quel riassunto. Poiché la macchina ha imparato i modelli della statica, può ricostruire un'immagine di statica molto bene. Ma se un segnale reale, come un'onda distinta, appare nei dati, la macchina fatica a ricostruirlo perché non si adatta al modello di rumore che ha appreso. La differenza tra l'immagine rumorosa originale e il povero tentativo della macchina di ricostruirla diventa un segnale d'allarme. Più grande è l'errore, più è probabile che stia accadendo qualcosa di reale e insolito.

I ricercatori hanno applicato questa idea ai dati raccolti dai due rilevatori LIGO negli Stati Uniti, situati a Hanford, Washington, e Livingston, Louisiana. Hanno analizzato i dati della terza e quarta run di osservazione, che sono durate diversi anni. Il processo inizia suddividendo i dati in finestre di un secondo e convertendoli in mappe visive che mostrano come il segnale cambia nel tempo e nella frequenza. Il sistema di IA centrale esamina individualmente la mappa di ogni rilevatore, assegnando un punteggio in base a quanto bene riesce a ricostruire l'immagine. Se la ricostruzione è scarsa, ciò suggerisce un'anomalia. Per garantire che le anomalie siano eventi cosmici reali e non semplici glitch locali in un solo rilevatore, il sistema controlla la coerenza. Verifica se la stessa anomalia appare in entrambi i rilevatori contemporaneamente, tenendo conto del minuscolo ritardo che un'onda impiega per viaggiare tra i due luoghi.

Una volta che un potenziale segnale supera questi controlli iniziali, passa attraverso una serie di filtri aggiuntivi. Questi filtri sono progettati per intercettare tipi specifici di rumore che potrebbero aver ingannato la prima fase. Il sistema utilizza reti specializzate per esaminare diverse fasce di frequenza, aiutando a distinguere tra le esplosioni ampie e brevi delle fusioni di buchi neri pesanti e gli impulsi rapidi ed erratici del rumore strumentale. Infine, tutte le informazioni vengono combinate in un unico punteggio di classificazione. Se questo punteggio è sufficientemente alto, l'evento viene segnalato come una rilevazione. I ricercatori hanno testato questa pipeline su dati reali e hanno scoperto che ha identificato con successo 47 eventi di onde gravitazionali. Tutti questi eventi avevano una probabilità molto bassa di essere un falso allarme, con una frequenza inferiore a un evento all'anno.

I risultati mostrano che questo metodo basato sulle anomalie è particolarmente efficace nel trovare le fusioni di buchi neri più pesanti. Gli eventi rilevati avevano masse totali comprese tra 14 e 236 volte la massa del nostro Sole, con una massa mediana di 69 masse solari. Il sistema ha recuperato una parte significativa degli eventi pesanti noti, trovando il 53,3% delle rilevazioni sicure nella categoria di massa più elevata. Ciò suggerisce che il metodo non è solo un piano di riserva, ma un modo potente e indipendente per ascoltare l'universo. Esso integra le ricerche tradizionali basate sui modelli, catturando segnali che potrebbero essere troppo brevi o complessi per i metodi standard. I ricercatori hanno notato che il sistema ha mancato alcuni eventi più leggeri, che tendono a essere più difficili da distinguere dal rumore senza un modello specifico, ma eccelle laddove altri metodi faticano.

Uno dei risultati più significativi è che la nuova pipeline ha trovato 44 degli stessi eventi identificati da un altro metodo di ricerca ben consolidato chiamato coherent WaveBurst. Questa sovrapposizione conferma che il nuovo sistema funziona correttamente e non genera falsi positivi. Tuttavia, la pipeline ha anche trovato tre eventi che l'altro metodo aveva mancato: GW240406 (che non ha una massa pubblicata), GW190513 e GW200129. In particolare, il sistema non ha recuperato GW190521, la fusione di buchi neri binari più massiccia riportata ad oggi, che ha attivato il rilevamento delle anomalie ma è stata infine classificata al di sotto della soglia di significatività a causa della soppressione dei glitch e della statistica di classificazione della pipeline. Ciò dimostra che l'approccio di rilevamento delle anomalie può svelare segnali che altrimenti rimarrebbero nascosti nel rumore, evidenziando al contempo le attuali limitazioni nel recupero di specifici eventi estremi. Lo studio conclude che questo tipo di pipeline di apprendimento automatico non è più solo un concetto teorico, ma uno strumento pratico e calibrato per scoprire le collisioni di buchi neri più massicci dell'universo. Imparando come appare il rumore e segnalando tutto il resto, il sistema offre una nuova prospettiva sulla sinfonia cosmica, provando che, a volte, il modo migliore per trovare un segnale è semplicemente ascoltare il silenzio che interrompe lo schema.