(相关资料图)
当两个黑洞合并时，它们会发出引力波，以光速穿越空间和时间。当这些信号到达地球时，美国(LIGO)，(Virgo)和(KAGRA)的大型探测器可以探测到信号。通过与理论预测进行比较，科学家可以确定黑洞的特性：质量，自旋，方向，在天空中的位置以及与地球的距离。
来自图宾根马克斯普朗克智能系统研究所(MPI-IS)经验推理系和波茨坦马克斯普朗克引力物理研究所(阿尔伯特爱因斯坦研究所/ AEI)天体物理和宇宙相对论系的一组研究人员现在已经开发了一种自检深度学习系统，可以非常准确地从引力波数据中提取信息。
在这个过程中，系统检查自己对合并黑洞参数的预测——一个带有安全网的深度神经网络。该算法成功地分析了一组42个来自合并黑洞的引力波：当与计算昂贵的标准算法进行交叉检查时，结果是无法区分的。该研究于 26 年 2023 月 <> 日发表在《物理评论快报》杂志上。
DINGO：用于引力波分析的深度神经网络
研究人员开发了一种名为DINGO(引力波观测深度推理)的深度神经网络来分析数据。DINGO经过训练，可以从探测器数据中提取或推断引力波源参数。该网络在训练了数百万个不同配置的模拟信号后学会了解释真实(观察到的)引力波数据。
但是，乍一看，无法判断深度神经网络是否正确读取了信息。事实上，普通深度学习系统的一个缺点是，即使它们错了，它们的结果听起来也很合理。这就是为什么MPI-IS和AEI的研究人员在算法中添加了控制功能的原因。
MPI-IS实证推理系的博士生，该出版物的第一作者Maximilian Dax解释说：“我们已经开发了一个具有安全网的网络。首先，该算法根据测量的引力波信号计算黑洞的属性。基于这些计算参数，对引力波进行建模，然后与最初观察到的信号进行比较。因此，深度神经网络可以交叉检查自己的结果，并在有疑问时纠正它们。
该算法可以自我控制，使其比以前的机器学习方法更可靠。但不仅如此。“我们惊讶地发现，该算法通常能够识别异常事件，即与我们的理论模型不一致的真实数据。这些信息可用于快速“标记”数据以进行进一步调查，“共同主要作者，AEI(现诺丁汉大学)前高级科学家Stephen Green说。
“我们可以保证我们的机器学习方法的准确性——这在深度学习领域几乎从未发生过。因此，科学界使用算法来分析引力波数据变得很有吸引力，“AEI天体物理和宇宙相对论系的作者兼主任Alessandra Buonanno说。来自世界各地的科学家正在大型合作中研究引力波，例如LIGO科学合作组织(LSC)，其中组织了1，500多名研究人员。
MPI-IS的主任Bernhard Schölkopf补充说：“今天，DINGO分析引力波数据 - 但这种自我控制和自我纠正的方法对于其他科学应用也很有趣，在这些应用中，能够证实"黑盒"神经网络方法的正确性至关重要。
