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

Diep in de stilte van de ruimte kunnen massieve objecten zoals zwarte gaten met elkaar botsen, waardoor rimpelingen in het weefsel van het universum zelf worden uitgezonden. Deze rimpelingen, bekend als zwaartekrachtgolven, rekken en krimpen de ruimte terwijl ze reizen, en dragen informatie over de gewelddadige gebeurtenissen die hen hebben gecreëerd. Om deze fluisteringen te horen, gebruiken wetenschappers gigantische laserinstrumenten genaand interferometers, die zo gevoelig zijn dat ze veranderingen in afstand kunnen detecteren die kleiner zijn dan een enkel atoom. Deze instrumenten zijn echter ook ongelooflijk gevoelig voor de luidruchtige wereld om hen heen. Aardbevingen, passerende vrachtwagens en zelfs de thermische trilling van de apparatuur zelf creëren valse signalen die erg lijken op de kosmische rimpelingen die wetenschappers proberen te vinden. Het onderscheiden van een echt signaal van deze berg ruis is een van de moeilijkste uitdagingen in de moderne natuurkunde.

Jarenlang was de standaardmanier om deze signalen te vinden het zoeken naar specifieke patronen. Wetenschappers hebben een bibliotheek van theoretische golfvormen opgebouwd, genaamd templates, gebaseerd op hoe zwarte gaten zich naar verwachting gedragen wanneer ze samensmelten. Ze schuiven deze templates vervolgens over de data om te zoeken naar een overeenkomst. Deze methode werkt prachtig wanneer de signalen sterk zijn en de zwarte gaten relatief licht zijn. Maar wanneer de botsende objecten extreem zwaar zijn, wordt het signaal zeer kort en complex, soms duurt het slechts een fractie van een seconde. In die gevallen kunnen de standaardtemplates het signaal volledig missen, of kan de ruis het verbergen. Dit heeft ertoe geleid dat onderzoekers zich afvroegen of er een andere manier is om te luisteren, een manier die niet afhankelijk is van het vooraf precies weten hoe het geluid eruit zou moeten zien.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld genaamd MADGRAV, die de zoektocht naar zwaartekrachtgolven behandelt als een spel van het spotten van het ongewone. In plaats van een computer te leren een specifieke vorm te herkennen, hebben ze de computer geleerd hoe normale ruis eruit ziet. Het systeem is gebouwd op een type kunstmatige intelligentie dat bekend staat als een convolutionele autoencoder. Stel je een machine voor die miljoenen afbeeldingen van statische ruis op een televisiescherm krijgt gevoerd. Het leert die statische ruis te comprimeren tot een eenvoudige samenvatting en vervolgens de afbeelding vanuit die samenvatting weer op te bouwen. Omdat de machine de patronen van statische ruis heeft geleerd, kan hij een afbeelding van statische ruis erg goed reconstrueren. Maar als er een echt signaal, zoals een duidelijke golf, in de data verschijnt, heeft de machine moeite met het reconstrueren ervan omdat het niet in het patroon past van de ruis die hij heeft geleerd. Het verschil tussen de oorspronkelijke ruizige afbeelding en de gebrekkige poging van de machine om deze te reconstrueren, wordt een vlag. Hoe groter de fout, hoe groter de kans dat er iets echts en ongewoons aan de hand is.

De onderzoekers pasten dit idee toe op data verzameld door de twee LIGO-detectoren in de Verenigde Staten, gelegen in Hanford, Washington, en Livingston, Louisiana. Ze analyseerden data van de derde en vierde observatieruns, die meerdere jaren besloegen. Het proces begint met het opdelen van de data in vensters van één seconde en het converteren ervan naar visuele kaarten die laten zien hoe het signaal in de tijd en frequentie verandert. Het kern-AI-systeem onderzoekt de kaart van elke detector afzonderlijk en wijst een score toe op basis van hoe goed het de afbeelding kan reconstrueren. Als de reconstructie gebrekkig is, suggereert dit een anomalie. Om ervoor te zorgen dat deze anomalieën echte kosmische gebeurtenissen zijn en niet slechts lokale storingen in één detector, controleert het systeem op coherentie. Het kijkt of dezelfde anomalie in beide detectoren tegelijkertijd verschijnt, rekening houdend met de kleine vertraging die het kost om een golf tussen de twee locaties te reizen.

Zodra een potentieel signaal deze initiële controles passeert, gaat het door een reeks aanvullende filters. Deze filters zijn ontworpen om specifieke soorten ruis op te vangen die de eerste fase zouden kunnen misleiden. Het systeem gebruikt gespecialiseerde netwerken om naar verschillende frequentiebereiken te kijken, wat helpt om onderscheid te maken tussen de brede, korte uitbarstingen van zware zwart gat-fusies en de scherpe, erratische pieken van instrumentale ruis. Ten slotte wordt alle informatie gecombineerd in een enkele rangschikkingsscore. Als deze score hoog genoeg is, wordt de gebeurtenis gemarkeerd als een detectie. De onderzoekers testten deze pijplijn op echte data en vonden dat het succesvol 47 zwaartekrachtgolfgebeurtenissen identificeerde. Al deze gebeurtenissen hadden een zeer lage waarschijnlijkheid om een vals alarm te zijn, met een frequentie van minder dan één per jaar.

De resultaten laten zien dat deze anomalie-gebaseerde methode bijzonder goed is in het vinden van de zwaarste zwart gat-fusies. De gedetecteerde gebeurtenissen hadden totale massa's variërend van 14 tot 236 keer de massa van onze zon, met een mediaan massa van 69 zonnemassa's. Het systeem herstelde een aanzienlijk deel van de bekende zware gebeurtenissen en vond 53,3% van de betrouwbare detecties in de hoogste massacategorie. Dit suggereert dat de methode niet alleen een back-upplan is, maar een krachtige, onafhankelijke manier om naar het universum te luisteren. Het vult de traditionele template-gebaseerde zoekopdrachten aan door signalen op te vangen die mogelijk te kort of te complex zijn voor de standaardmethoden om te vinden. De onderzoekers merkten op dat het systeem sommige lichtere gebeurtenissen miste, die zonder een specifiek template moeilijker te onderscheiden zijn van ruis, maar dat het uitblonk waar andere methoden moeite hebben.

Een van de meest significante bevindingen is dat de nieuwe pijplijn 44 van dezelfde gebeurtenissen heeft gevonden die door een andere, goed gevestigde zoekmethode genaamd coherent WaveBurst werden geïdentificeerd. Deze overlap bevestigt dat het nieuwe systeem correct werkt en geen valse positieven genereert. De pijplijn vond echter ook drie gebeurtenissen die de andere methode had gemist: GW240406 (die geen gepubliceerde massa heeft), GW190513 en GW200129. Opvallend genoeg heeft het systeem GW190521 niet hersteld, de meest massieve binaire zwart gat-fusie tot nu toe gerapporteerd, die wel een anomaliedetectie triggerde maar uiteindelijk onder de significantiedrempel werd gerangschikt vanwege de glitch-onderdrukking en de rangschikkingsstatistieken van de pijplijn. Dit demonstreert dat de anomaliedetectie-aanpak signalen kan onthullen die anders verborgen zouden blijven in de ruis, terwijl het ook de huidige beperkingen bij het herstellen van specifieke extreme gebeurtenissen benadrukt. De studie concludeert dat dit type machine learning-pijplijn niet langer slechts een theoretisch concept is, maar een praktische, gekalibreerde tool voor het ontdekken van de meest massieve zwart gat-botsingen in het universum. Door te leren hoe ruis eruit ziet en alles wat daarvan afwijkt te markeren, biedt het systeem een fris perspectief op de kosmische symfonie, waarbij bewezen wordt dat soms de beste manier om een signaal te vinden simpelweg is door te luisteren naar de stilte die het patroon doorbreekt.