‎I ricercatori hanno insegnato a una rete neurale a stimare – in pochi secondi – le caratteristiche precise della fusione dei buchi neri in base alle loro emissioni di onde gravitazionali.‎

 

‎I buchi neri in orbita l’uno intorno all’altro emettono onde gravitazionali – oscillazioni dello spazio e del tempo previste da Albert Einstein nel 1916. Ciò fa sì che l’orbita diventi più veloce e più stretta, e alla fine i buchi neri si fondono con un’esplosione finale di radiazioni.

Queste onde gravitazionali si propagano attraverso l’Universo alla velocità della luce e vengono rilevate dagli osservatori negli Stati Uniti (LIGO) e in Italia (Virgo). Gli scienziati confrontano i dati raccolti dagli osservatori con le previsioni teoriche per stimare le proprietà della sorgente, tra cui la grandezza dei buchi neri e la velocità con cui ruotano. Attualmente, questa procedura richiede almeno ore, spesso mesi.‎

‎Un team interdisciplinare di ricercatori del Max Planck Institute for Intelligent Systems (MPI-IS) di Tubinga e del Max Planck Institute for Gravitational Physics (Albert Einstein Institute/AEI) di Potsdam sta utilizzando metodi di apprendimento automatico all’avanguardia per accelerare questo processo.

Hanno sviluppato un algoritmo utilizzando una rete neurale, un complesso codice informatico costruito da una sequenza di operazioni più semplici, ispirate al cervello umano. In pochi secondi, il sistema deduce tutte le proprietà della sorgente binaria del buco nero. I loro risultati di ricerca sono stati pubblicatii sulla rivista Physics, Physical Review Letters.‎

‎”Il nostro metodo può fare stime molto accurate in pochi secondi su quanto fossero grandi e massicci i due buchi neri che hanno generato le onde gravitazionali quando si sono fusi. Quanto velocemente ruotano i buchi neri, quanto sono lontani dalla Terra e da quale direzione proviene l’onda gravitazionale”, spiega Maximilian Dax, primo autore dello studio e dottorando nel dipartimento di Inferenza Empirica presso MPI-IS.‎

‎I ricercatori hanno addestrato la rete neurale con molte simulazioni: segnali di onde gravitazionali previsti per ipotetici sistemi binari di buchi neri combinati con il rumore dei rivelatori. In questo modo, la rete apprende le correlazioni tra i dati misurati delle onde gravitazionali e i parametri che caratterizzano il sistema di buchi neri sottostante.

Ci vogliono dieci giorni perché l’algoritmo chiamato DINGO (l’abbreviazione sta per ‎‎D‎‎eep ‎‎IN‎‎ference per ‎‎G‎‎ravitational-wave ‎‎O‎‎bservations) impari. Quindi è pronto per l’uso: la rete deduce le dimensioni, gli spin e tutti gli altri parametri che descrivono i buchi neri dai dati delle onde gravitazionali appena osservate in pochi secondi.

L’analisi ad alta precisione decodifica le increspature nello spazio-tempo quasi in tempo reale , qualcosa che non è mai stato fatto con tale velocità e precisione. I ricercatori sono convinti che le migliori prestazioni della rete neurale e la sua capacità di gestire meglio le fluttuazioni del rumore nei rivelatori renderanno questo metodo uno strumento molto utile per le future osservazioni delle onde gravitazionali.‎

‎”Più guardiamo nello spazio attraverso rivelatori sempre più sensibili, più segnali di onde gravitazionali vengono rilevati. Metodi veloci come il nostro sono essenziali per analizzare tutti questi dati in un ragionevole lasso di tempo”, afferma Stephen Green, scienziato senior nel dipartimento di Relatività Astrofisica e Cosmologica presso l’AEI.

“DINGO ha il vantaggio che– una volta addestrato – può analizzare nuovi eventi molto rapidamente. È importante sottolineare che fornisce anche stime dettagliate dell’incertezza sui parametri, che sono stati difficili da produrre in passato utilizzando metodi di apprendimento automatico”.

Fino ad ora, i ricercatori delle collaborazioni LIGO e Virgo hanno utilizzato algoritmi computazionalmente molto dispendiosi in termini di tempo per analizzare i dati. Hanno bisogno di milioni di nuove simulazioni di forme d’onda gravitazionali per l’interpretazione di ogni misurazione, il che porta a tempi di calcolo di diverse ore o mesi.

DINGO evita questo sovraccarico perché una rete neurale non ha bisogno di ulteriori simulazioni per analizzare nuovi dati osservati, un processo noto come “inferenza ammortizzata”.‎

‎Mentre la collisione dei buchi neri rilascia energia esclusivamente sotto forma di onde gravitazionali, la fusione delle stelle di neutroni emette anche radiazioni nello spettro elettromagnetico. Sono quindi visibili anche ai telescopi che devono essere puntati verso la rispettiva regione del cielo il più rapidamente possibile per osservare l’evento.

Per fare questo, è necessario determinare molto rapidamente da dove proviene l’onda gravitazionale e cioò è facilitato dal nuovo metodo di apprendimento automatico. In futuro, queste informazioni potrebbero essere utilizzate per puntare i telescopi in tempo per osservare i segnali elettromagnetici provenienti dalle collisioni di stelle di neutroni e di una stella di neutroni con un buco nero. ‎

‎Alessandra Buonanno, direttrice dell’AEI, e Bernhard Schölkopf, direttore dell’MPI-IS, sono entusiasti della prospettiva di portare la loro collaborazione di successo al livello successivo. Buonanno si aspetta che “andando avanti, questi approcci consentiranno anche un trattamento molto più realistico del rumore del rivelatore e dei segnali gravitazionali di quanto sia possibile oggi utilizzando tecniche standard”, e Schölkopf aggiunge che tale “inferenza basata sulla simulazione utilizzando l’apprendimento automatico potrebbe essere trasformativa in molte aree della scienza in cui è necessario dedurre un modello complesso da osservazioni rumorose”.‎

Leggi anche:

Foto crediti: Envato Elelents (ove non diversamente specificato)

Riproduzione riservata (c)

Leggi anche: