Hoe AI ons helpt nog beter naar het universum te luisteren

Rimpelingen in de ruimtetijd

Zwaartekrachtsgolven ontstaan bij extreme kosmische gebeurtenissen, zoals botsingen tussen zwarte gaten en neutronensterren. Ze veroorzaken kleine rimpelingen in de ruimtetijd, die worden gemeten met uiterst gevoelige detectoren. Naarmate deze detectoren geavanceerder worden, nemen verstoringen ook toe. Deze korte, onvoorspelbare ruissignalen, zogenaamde glitches, kunnen echte zwaartekrachtsgolven nabootsen of verhullen.

Hoe klinkt normale achtergrondruis?

Dooney ontwikkelde AI-methoden die leren hoe de normale achtergrondruis van detectoren eruitziet. Alles wat daarvan afwijkt kan vervolgens automatisch worden herkend en gescheiden van de normale achtergrond. Hierdoor kunnen onderzoekers zowel astrofysische gebeurtenissen, zoals fusies van binaire zwarte gaten, als onbekende of moeilijk te modelleren signalen, waaronder glitches, beter isoleren en bestuderen. Het onderzoek laat daarnaast zien dat generatieve AI kan worden gebruikt om realistische zwaartekrachtsgolfsignalen en glitches te simuleren. Deze simulaties bieden nieuwe mogelijkheden voor het testen en verbeteren van detectoren en analysemethoden.

Einstein Telescope

Dit onderzoek wil bijdragen aan de ontwikkeling van snellere, flexibelere hulpmiddelen die echte astrofysische signalen betrouwbaar van ruis kunnen scheiden, zelfs wanneer die signalen onbekend zijn of overlappen met glitches. Het proefschrift laat zien dat deep learning-methoden schonere en robuustere zwaartekrachtsgolfmetingen mogelijk maken en het vakgebied kunnen helpen voorbereiden op de verwachte datastroom in de zwaartekrachtsgolfastronomie met detectoren van de volgende generatie, zoals de Einstein Telescope: Europa’s meeste geavanceerde observatorium voor zwaartekrachtgolven dat mogelijk vanuit Limburg honderden gebeurtenissen in de ruimte per dag kan detecteren.

Een belangrijk voordeel van de nieuwe aanpak is dat glitches kunnen worden verwijderd zonder dat het algoritme vooraf hoeft te weten hoe deze eruitzien. De methode leert uitsluitend het normale gedrag van detectorruis. Wanneer deze voorspelde ruis van de meetdata wordt afgetrokken, blijven zowel de verstoringen als de zwaartekrachtsgolfsignalen zichtbaar. Dit maakt het mogelijk om ook signalen van voorheen onbekende kosmische bronnen te ontdekken.

Over Tom Dooney

Tom Dooney (Dublin, 1995) begon zijn promotieonderzoek in januari 2022. Dit jaar is hij gestart met een postdoctorale onderzoekspositie bij Nikhef. Hij behaalde in 2018 een BSc in Theoretical Physics aan University College Dublin en in 2021 een MSc in Data Science aan Maastricht University.

Op donderdag 26 februari 2026 om 16.00 uur zal hij zijn proefschrift, getiteld 'Deep Learning for Modelling and Separating Gravitational Wave Signals, Glitches, and Noise', verdedigen aan de faculteit Bètawetenschappen van de Open Universiteit in Heerlen.

Het proefschrift werd begeleid door dr. Stefano Bromuri (Open Universiteit), prof. dr. Chris van Den Broeck (Utrecht University), dr. Daniel Tan (Open Universiteit) en dr. Lyana Curier (Open Universiteit).

De verdediging kan ook online worden gevolgd via ou.nl/live.