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

Zwaartekracht, zoals beschreven door Albert Einstein, is geen kracht die objecten naar elkaar toe trekt, maar een kromming van de ruimte en tijd veroorzaakt door massa. Wanneer massieve objecten zoals zwarte gaten naar elkaar toe spiralen en botsen, creëren ze rimpelingen in dit weefsel die bekend staan als zwaartekrachtgolven. Deze golven dragen een duidelijke handtekening, een specifiek patroon van het uitrekken en samendrukken dat met opmerkelijke precisie overeenkomt met de voorspellingen van Einsteins theorie. Wetenschappers vragen zich echter al lang af of er subtiele barsten in deze theorie zitten, die misschien nieuwe fysica of verborgen krachten onthullen die Einstein niet voorzag. Om deze barsten te vinden, luisteren onderzoekers naar de "chirp" van botsende zwarte gaten, waarbij ze zoeken naar minuscule afwijkingen in het ritme van de golf die zouden kunnen wijzen op een afwijking van de standaardregels van de zwaatskracht.

De uitdaging ligt in de uiterste subtiliteit van deze potentiële afwijkingen. Ze zijn diep begraven in de ruis van de detectoren, en het onderscheiden van een echt nieuw fysiek effect van een willekeurige fluctuatie of een lichte misinterpretatie van de gegevens is uiterst moeilijk. Bovendien zijn er veel verschillende manieren waarop een theorie zou kunnen afwijken van de voorspellingen van Einstein, elk met zijn eigen unieke wiskundige vingerafdruk. De vraag is niet alleen of we een afwijking kunnen horen, maar ook of we precies kunnen identificeren welk soort afwijking het is. Dit is het centrale puzzelstuk waar een team onderzoekers van de Universiteit van Heidelberg zich mee bezighoudt, die kunstmatige intelligentie hebben ingezet om te zien of een computer deze subtiele signalen beter kan sorteren dan traditionele methoden.

De onderzoekers richtten zich op een specifieke set mogelijke afwijkingen, georganiseerd in zes verschillende families op basis van hoe het ritme van de golf verandert terwijl deze evolueert. Stel je de frequentie van de golf voor als een muzikale noot die omhoog glijdt op de toonladder; in sommige alternatieve theorieën kan deze glijvlucht sneller of langzamer gaan op een manier die afhangt van de toonhoogte van de noot. Het team definieerde zes verschillende manieren waarop dit glijden zou kunnen gebeuren, variërend van effecten die het sterkst zijn bij lage toonhoogtes tot effecten die domineren bij hoge toonhoogtes. Ze namen ook het standaard Einsteiniaanse geval op, waarbij geen dergelijke afwijking bestaat. Om hun ideeën te testen, genereerden ze duizenden gesimuleerde zwaartekrachtgolfsignalen van botsende zwarte gaten, waarbij ze deze zes soorten afwijkingen in de gegevens injecteerden, en vervolgens realistische achtergrondruis toevoegden die het milieu van de Advanced LIGO-detector nabootst.

Om deze complexe gegevens te begrijpen, bouwde het team een neuraal netwerk, een type computerprogramma dat is gemodelleerd naar het menselijk brein, ontworpen om te fungeren als een classifier. In plaats van alleen te vragen "Is er een afwijking?", werd het netwerk getraind om twee vragen tegelijkertijd te beantwoorden. Ten eerste moest het identificeren welke van de zeven mogelijkheden aanwezig was: het standaard Einsteiniaanse signaal of een van de zes specifieke afwijkingsfamilies. Ten tweede moest het de sterkte van die afwijking schatten. De input die aan het netwerk werd gegeven, was niet het ruwe geluid van de golf, maar een gespecialiseerde wiskundige kaart genaamd een responsfunctie. Deze kaart benadrukt precies hoe gevoelig de detector is voor veranderingen in de vorm van de golf, waardoor de delen van het signaal die al goed begrepen zijn effectief worden weggefilterd en de aandacht van de computer wordt gericht op de subtiele anomalieën waar een nieuwe theorie zich zou kunnen verbergen.

De resultaten van dit experiment onthulden een duidelijke grens tussen wat de computer kan doen en wat de gegevens zelf toelaten. Wanneer de afwijkingen sterk en duidelijk zichtbaar waren boven de ruis, identificeerde het neurale netwerk de juiste familie van afwijkingen ongeveer 43 procent van de tijd bij de standaard detectorgevoeligheid en ongeveer 33 procent voor de specifieke omstandigheden van een recente observatierun. Hoewel deze cijfers misschien bescheiden lijken, liggen ze opvallend dicht bij de prestaties van een theoretisch "perfecte" classifier. Deze ideale classifier werd door de onderzoekers geconstrueerd met de exacte fysica van het probleem, waarbij de ware parameters van elke bron vooraf bekend waren. Het feit dat het neurale netwerk bijna even goed presteerde als deze theoretische limiet, suggereert dat de moeilijkheid bij het identificeren van de juiste familie niet ligt aan het ontwerp of de training van de computer. In plaats daarvan ligt de beperking in de aard van de signalen zelf.

De kern van het probleem is dat de verschillende families van afwijkingen geometrisch zeer vergelijkbaar zijn. Wanneer het standaardmodel van de zwaartekrachtgolf op de gegevens wordt toegepast, ziet het resterende signaal — het deel dat niet overeenkomt — er bijna identiek uit voor naburige families. Het is alsof de verschillende theorieën vingerafdrukken achterlaten die zo vergelijkbaar van vorm zijn dat zelfs een perfecte waarnemer moeite zou hebben om ze zonder meer informatie van elkaar te onderscheiden. De onderzoekers ontdekten dat het netwerk dezelfde fouten maakte als de theoretische limiet, waarbij het vaak de ene familie met de dichtstbijzijnde buur verwart. Deze verwarring was het meest uitgesproken bij zwaardere zwarige gaten, die minder tijd doorbrengen in het gevoelige bereik van de detector, waardoor de golven minder "noten" spelen en de verschillen tussen de theorieën nog moeilijker te onderscheiden zijn.

Ondanks de moeilijkheid om de exacte familie aan te wijzen, bleek het systeem zeer effectief op een grover niveau. Het netwerk kon bijna altijd detecteren dat er een afwijking aanwezig was, waarbij het in bijna elk luid geval correct werd gemarkeerd en zelden een vals alarm gaf voor standaardsignalen. Bovendien kon het betrouwbaar bepalen of de afwijking de golf versnelde of vertraagde, waarbij de families werden gegroepeerd in positieve en negatieve categorieën met een nauwkeurigheid van ongeveer 80 procent. Dit suggereert dat hoewel het identificeren van de exacte wiskundige vorm van een nieuwe theorie een uitdaging blijft met de huidige gegevens, het vermogen om te detecteren dat er iets mis is met ons huidige begrip robuust is. De studie bevestigde ook dat het netwerk met echte detectorruis net zo goed om kon gaan als met gesimuleerde ruis, een cruciale stap voor het toepassen van deze instrumenten op werkelijke waarnemingen.

Uiteindelijk toont het werk aan dat de flessenhals bij het testen van de zwaartekracht met zwaartekrachtgolven niet de verfijning van onze algoritmen is, maar de intrinsieke gelijkenis van de signalen die we proberen te onderscheiden. Het neurale netwerk heeft het plafond bereikt van wat mogelijk is met de huidige gegevens; het kan niet beter worden omdat de informatie simpelweg niet aanwezig is om de families van elkaar te scheiden. De weg vooruit, suggereren de onderzoekers, ligt in het bouwen van gevoeligere detectoren die de golven langer kunnen horen, waardoor er meer van het "lied" van de zwarte gaten wordt gevangen. Met de volgende generatie instrumenten, die in staat zullen zijn om lagere frequenties en gedurende langere tijd te beluisteren, worden de verschillen tussen deze theorieën naar verwachting veel duidelijker, wat mogelijk de kans biedt om de specifieke aard van eventuele afwijking van Einsteins zwaartekracht eindelijk te identificeren.