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

Nas profundezas do silêncio do espaço, objetos massivos como buracos negros podem colidir, enviando ondulações no próprio tecido do universo. Essas ondulações, conhecidas como ondas gravitacionais, esticam e comprimem o espaço conforme viajam, carregando informações sobre os eventos violentos que as criaram. Para ouvir esses sussurros, os cientistas utilizam instrumentos de laser gigantes chamados interferômetros, que são tão sensíveis que podem detectar mudanças de distância menores que um único átomo. No entanto, esses instrumentos também são incrivelmente sensíveis ao mundo barulhento ao seu redor. Terremotos, caminhões passando e até mesmo o tremor térmico do próprio equipamento criam sinais falsos que se parecem muito com as ondulações cósmicas que os cientistas tentam encontrar. Distinguir um sinal verdadeiro de toda essa montanha de ruído é um dos maiores desafios da física moderna.

Durante anos, a forma padrão de encontrar esses sinais tem sido procurar por padrões específicos. Os cientistas construíram uma biblioteca de formas de ondas teóricas, chamadas modelos (templates), baseadas em como se espera que os buracos negros se comportem ao se fundirem. Eles então deslizam esses modelos sobre os dados, procurando por uma correspondência. Esse método funciona maravilhosamente quando os sinais são fortes e os buracos negros são relativamente leves. Mas quando os objetos em colisão são extremamente pesados, o sinal torna-se muito curto e complexo, às vezes durando apenas uma fração de segundo. Nesses casos, os modelos padrão podem perder o sinal completamente, ou o ruído pode escondê-lo. Isso levou os pesquisadores a questionar se não haveria uma maneira diferente de ouvir, uma que não dependesse de saber exatamente como o som deveria ser de antemão.

Uma equipe de pesquisadores desenvolveu uma nova abordagem chamada MADGRAV, que trata a busca por ondas gravitacionais como um jogo de identificar o incomum. Em vez de ensinar um computador a reconhecer uma forma específica, eles ensinaram o computador a reconhecer como o ruído normal se parece. O sistema é construído sobre um tipo de inteligência artificial conhecido como autoencoder convolucional. Imagine uma máquina que é alimentada com milhões de imagens de estática de uma televisão. Ela aprende a comprimir essa estática em um resumo simples e depois reconstrói a imagem a partir desse resumo. Como a máquina aprendeu os padrões da estática, ela consegue reconstruir uma imagem de estática muito bem. Mas, se um sinal real, como uma onda distinta, aparece nos dados, a máquina tem dificuldade em reconstruí-lo porque ele não se ajusta ao padrão de ruído que ela aprendeu. A diferença entre a imagem ruidosa original e a tentativa ruim da máquina de reconstruí-la torna-se um alerta. Quanto maior o erro, mais provável é que algo real e incomum esteja acontecendo.

Os pesquisadores aplicaram essa ideia a dados coletados pelos dois detectores LIGO nos Estados Unidos, localizados em Hanford, Washington, e Livingston, Louisiana. Eles analisaram dados da terceira e quarta rodadas de observação, que abrangeram vários anos. O processo começa dividindo os dados em janelas de um segundo e convertendo-os em mapas visuais que mostram como o sinal muda ao longo do tempo e da frequência. O sistema central de IA examina o mapa de cada detector individualmente, atribuindo uma pontuação baseada em quão bem ele consegue reconstruir a imagem. Se a reconstrução for ruim, isso sugere uma anomalia. Para garantir que essas anomalias sejam eventos cósmicos reais e não apenas falhas locais em um detector, o sistema verifica a coerência. Ele observa se a mesma anomalia aparece em ambos os detectores ao mesmo tempo, contabilizando o minúsculo atraso que uma onda leva para viajar entre as duas localizações.

Assim que um potencial sinal passa por essas verificações iniciais, ele passa por uma série de filtros adicionais. Esses filtros são projetados para capturar tipos específicos de ruído que possam ter enganado a primeira etapa. O sistema utiliza redes especializadas para observar diferentes faixas de frequência, ajudando a distinguir entre os surtos amplos e curtos de fusões de buracos negros pesados e os picos agudos e erráticos de ruído instrumental. Finalmente, todas as informações são combinadas em uma única pontuação de classificação. Se essa pontuação for alta o suficiente, o evento é marcado como uma detecção. Os pesquisadores testaram esse fluxo de trabalho em dados reais e descobriram que ele identificou com sucesso 47 eventos de ondas gravitacionais. Todos os eventos apresentaram uma probabilidade muito baixa de serem um alarme falso, com uma taxa de menos de um por ano.

Os resultados mostram que este método baseado em anomalias é particularmente bom em encontrar as fusões de buracos negros mais pesados. Os eventos detectados tiveram massas totais variando de 14 a 236 vezes a massa do nosso Sol, com uma massa mediana de 69 massas solares. O sistema recuperou uma parte significativa dos eventos pesados conhecidos, encontrando 53,3% das detecções confiáveis na categoria de massa mais alta. Isso sugere que o método não é apenas um plano de reserva, mas uma forma poderosa e independente de ouvir o universo. Ele complementa as buscas tradicionais baseadas em modelos ao capturar sinais que podem ser curtos ou complexos demais para os métodos padrão encontrarem. Os pesquisadores observaram que o sistema perdeu alguns eventos mais leves, que tendem a ser mais difíceis de distinguir do ruído sem um modelo específico, mas que se destacou onde outros métodos têm dificuldade.

Uma das descobertas mais significativas é que o novo fluxo de trabalho encontrou 44 dos mesmos eventos que foram identificados por um outro método de busca bem estabelecido chamado coherent WaveBurst. Essa sobreposição confirma que o novo sistema está funcionando corretamente e não está gerando falsos positivos. No entanto, o fluxo de trabalho também encontrou três eventos que o outro método havia perdido: GW240406 (que não possui massa publicada), GW190513 e GW200129. Notavelmente, o sistema não recuperou o GW190521, a fusão de buracos negros binários mais massiva relatada até o momento, que acionou a detecção de anomalia, mas foi classificado abaixo do limiar de significância devido à supressão de falhas e estatísticas de classificação do fluxo de trabalho. Isso demonstra que a abordagem de detecção de anomalias pode revelar sinais que poderiam permanecer ocultos no ruído, ao mesmo tempo em que destaca as limitações atuais na recuperação de eventos extremos específicos. O estudo conclui que este tipo de fluxo de trabalho de aprendizado de máquina não é mais apenas um conceito teórico, mas uma ferramenta prática e calibrada para descobrir as colisões de buracos negros mais massivas do universo. Ao aprender como o ruído se parece e sinalizar tudo o mais, o sistema oferece uma nova perspectiva sobre a sinfonia cósmica, provando que, às vezes, a melhor maneira de encontrar um sinal é simplesmente ouvir o silêncio que quebra o padrão.