Астрофизики идентифицировали гравитационные объекты с помощью машинного обучения

Физики предложили способ маркировки парных гравитационных объектов с помощью контролируемого машинного обучения. Алгоритм спектральной кластеризации повысил точность на 50 процентов для определения спина и на 10 процентов для скорости вращения одного из компонентов. Результаты исследования опубликованы в Physical Review Letters.

Компактные объекты, которые изучает гравитационно-волновая астрономия, всегда идут парами: например, две черные дыры или черная дыра и нейтронная звезда. В то же время сигнал гравитационной волны содержит в себе информацию о двух элементах одновременно, поэтому ученым необходимо их как-то различать между собой. И, на первый взгляд, идентификация компонентов таких бинарных систем простая задача: обычно астрономы маркируют объекты согласно их массе — объект с наибольшей массой получает метку «1», а с наименьшей, соответственно, «2».

Однако если один из объектов обладает массой равной примерно десяти солнечным, второй — девяти, а погрешность измерений составляет две солнечных массы, то в таком случае различить составляющие невозможно. Тогда исследователи используют спин: тот объект, что вращается быстрее, становится «первым». Но и этот способ не стал для астрофизиков универсальным, поскольку спины также могут оказаться близкими по величине (тем более, что скорость вращения объекта заметно слабее влияет на форму гравитационной волны, чем масса).

Давиде Героса (Davide Gerosa) из Миланского университета Бикокка совместно с коллегами из Великобритании, Италии и США предложил использовать машинное обучение для более точной идентификации парных объектов, испускающих гравитационные волны. Обученная физиками модель на 50 процентов точнее определила направление оси вращения компонентов.

Ученые использовали алгоритм кластеризации, чтобы разделить данные, принадлежащие разным компонентам. В то же время авторы работы учли, что без внешнего контроля два объекта из одной и той же апостериорной выборки могут оказаться в одном кластере. Поэтому астрофизики добавили в сформулированную задачу кластеризации ограничения, сделав ее несвязной: при таком подходе человек осуществлял контроль за обучением модели, обладая некоторыми знаниями о целевой структуре, но не мог маркировать отдельные точки данных. В итоге исследователи реализовали алгоритм спектральной кластеризации, подобрав метод регуляризации на основе визуального анализа.

Для проверки модели физики использовали два синтетических сигнала с соотношением сигнал-шум около 45 единиц. Первый сигнал — гравитационная волна от слияния двух черных дыр с массами 40 и 39,5 солнечных масс и с отличными по величине и направлению спинами, а второй — от системы, состоящей из черной дыры и нейтронной звезды с массами 2,24 и 2,20 масс Солнца, соответственно. Также ученые задействовали реальные данные о 70 двойных черных дырах и 2 двойных нейтронных звездах, обнаруженных во время первых трех запусков LIGO/Virgo. В результате обученная модель увеличила точность идентификации объектов по скорости вращения примерно на 20 процентов, а по направлению — на 50 процентов.

Авторы исследования отметили, что в отличие от масс и спинов, эффективная приливная деформация объектов осталась инвариантной относительно смены меток при перемаркировке.

Шум в экспериментальных установках, изучающих слияние массивных космических объектов, не всегда мешает их идентифицировать, но иногда и приносит пользу. Например, о том, как физики предложили доказать квантуемость гравитации с помощью шума в детекторах гравитационных волн, мы писали ранее.