Deep learning helpt ruis verwijderen uit zwaartekrachtsgolfdata
Geïnspireerd door audioverwerking
'Zwaartekrachtsgolven lijken qua structuur op audiosignalen,' zegt Dooney. 'Maar ze zijn heel zwak, en de gegevens zitten vol ruis.' DeepExtractor is gebaseerd op technieken uit de audioverwerking. De tool kan terugkerende patronen in achtergrondgeluiden herkennen. Zo kan de software onderscheid maken tussen aardse verstoringen, zoals verkeerslawaai of aardbevingen, en signalen die wél relevant zijn, zoals die van botsende zwarte gaten.
Geluid zonder klank
Wanneer in de ruimte twee zware objecten, zoals zwarte gaten, met elkaar botsen, ontstaan er verstoringen in de ruimtetijd: zwaartekrachtsgolven. Die zijn niet waar te nemen met gewone, optische telescopen. Maar ze zijn wel waarneembaar voor extreem gevoelige detectoren, zoals LIGO. (LIGO staat voor Laster Interferometer Gravitational Wave Observatory.) LIGO kan minuscule veranderingen in afstand kunnen meten, dus ook zwaartekrachtsgolven 'Zwaartekrachtsgolven lijken qua structuur op geluidssignalen,' zegt Dooney. 'Ze zijn alleen heel zwak en de gegevens zitten vol ruis. Het is alsof je fluisterende mensen probeert te verstaan in een druk café.'
Verkeer in de buurt
Maar detectoren als LIGO zijn heel gevoelig. Ze vangen niet alleen signalen uit de ruimte op, maar registreren ook alles wat zich op of rond de aarde afspeelt. Dat 'lawaai' dat rond de aarde wordt geproduceerd, verstoort de signalen uit de ruimte. Verstoringen, ook wel glitches genoemd, ontstaan bijvoorbeeld door aardbevingen, weeromstandigheden of zelfs door het verkeer in de buurt. Extra vervelend is dat sommige glitches qua vorm lijken op de signalen waar onderzoekers naar zoeken, zoals botsingen tussen neutronensterren of zwarte gaten. Daarom is het opschonen van zulke data tijdrovend, en is er veel rekenkracht voor nodig.
Een bekend patroon
DeepExtractor pakt het anders aan. In plaats van alle mogelijke verstoringen één voor één te modelleren, leert DeepExtractor hoe normale achtergrondruis er in de detector uitziet. Als het patroon afwijkt, valt dat vanzelf op. Die aanpak is vergelijkbaar met technieken uit de muziekanalyse: software kan leren wat een begeleidende beat is, zodat elementen als een gitaarmelodie of zang beter hoorbaar worden. 'We proberen het normale patroon van de detector zodanig te modelleren dat alles wat daar niet bij past zichtbaar wordt.'
Sneller dan de data binnenkomt
De AI-tool kan twee seconden aan gegevens verwerken in slechts een tiende van een seconde. DeepExtractor werkt dus duizend keer sneller dan traditionele methoden. Dat maakt realtime-analyse in de toekomst misschien wel haalbaar, zodat de data opgeschoond wordt terwijl het binnenkomt. Volgens Dooney kan dit waardevol zijn voor toekomstige detectoren, zoals de Einstein Telescope. 'Die wordt zo gevoelig dat zwaartekrachtgolven in principe non-stop aanwezig zijn in de metingen. Je hebt dan methoden nodig die de stroom aan data meteen kunnen doorlichten.'
Vertrouwen in kunstmatige intelligentie
De inzet van AI in natuurkunde roept vaak vragen op over transparantie en betrouwbaarheid. 'Fysici zijn gewend om te werken met wiskundige modellen waarvan je precies begrijpt hoe ze werken,' zegt Dooney. 'Een AI-model voelt al snel als een black box. Daarom hebben we DeepExtractor open-source gemaakt. Iedereen kan de code inzien, testen of aanpassen.'
Het model is getraind op meer dan 250.000 realistische voorbeelden en presteert goed op echte datasets. Toch is het systeem niet volmaakt: in sommige gevallen is het moeilijk om onderscheid te maken tussen een storing en een signaal, en blijven aanvullende validaties nodig.
Tom Dooney is promovendus bij de faculteit Bètawetenschappen aan de Open Universiteit. Daarnaast is hij verbonden aan het GRASP-instituut van de Universiteit Utrecht.
Het artikel DeepExtractor: Time-domain reconstruction of signals and glitches in gravitational wave data with deep learning, van Tom Dooney, Harsh Narola, Stefano Bromuri, R. Lyana Curier, Chris Van Den Broeck, Sarah Caudill, Daniel Stanley Tan is gepubliceerd in het Tijdschrift Physical Review D.
