Ваш купон на скидку:
Группа исследователей проанализировала возможности применения машинного обучения для поиска признаков «новой физики» в сигналах гравитационных волн, сравнив эффективность нейросетей с классическими методами анализа. Основная проблема современной астрофизики заключается в проверке Общей теории относительности при экстремальных гравитационных нагрузках во время слияния чёрных дыр. Традиционный подход, базирующийся на методе согласованной фильтрации, требует использования обширных библиотек предварительно вычисленных шаблонов. Хотя такой способ характеризуется высокой точностью, он ограничен рамками заданных математических моделей, что делает невозможным обнаружение отклонений, не предусмотренных этими шаблонами.
В рамках эксперимента ученые протестировали работу гибридного классификатора, сочетающего одномерную свёрточную нейронную сеть с десятью статистическими признаками, которые были определены экспертно вручную. Модель обучали на двух классах данных: сигналах, соответствующих предсказаниям Общей теории относительности, и модифицированных версиях с внесёнными искажениями трех типов:
амплитудной модуляцией
фазовой модуляцией
частотной модуляцией
Для оценки силы искажений применялся безразмерный параметр β. В ходе тестирования использовались реальные данные детектора LIGO H1, полученные при регистрации исторического события GW150914. Исследователи создали модифицированные версии этого сигнала с контролируемым уровнем искажения и добавили их в реальный фоновый шум детектора, чтобы определить порог чувствительности нейросети.
Полученные результаты продемонстрировали зависимость точности классификации от величины параметра β:
при β ≥ 0,5 нейросеть обеспечивала безупречное распознавание
при β ≈ 0,25 точность снижалась до 75%
при β ≤ 0,2 модель демонстрировала результаты на уровне случайного угадывания, составлявшие 51,7%
Показатель потерь на протяжении всего процесса обучения составлял приблизительно 0,693, что свидетельствует об отсутствии различий между исследуемыми классами сигналов на данном уровне искажений.
Анализ факторов, влиявших на принятие решений нейросетью, показал, что классификатор ориентировался на «хвосты» амплитудных распределений, игнорируя общую энергию сигнала. Использование среднеквадратичных значений и стандартного отклонения оказалось неэффективным для модели, их значимость была оценена как нулевая. Это объясняется природой внесенных искажений, при которых энергия концентрируется вблизи момента слияния, изменяя форму распределения, но не масштаб.
Авторы работы классифицируют полученные данные как определение количественного предела возможностей нейросетевых методов в данной области. Исследование показывает, что без интеграции с согласованной фильтрацией, позволяющей когерентно накапливать сигнал в процессе частотной эволюции, ИИ не способен фиксировать тонкие эффекты. Перспективным направлением для дальнейших разработок считается создание систем, где на вход классификатору подается временной ряд, предварительно прошедший фильтрацию, что позволит сочетать чувствительность классических методов к фазовой эволюции с поисковыми возможностями машинного обучения.