ENGINEERINGNET.BE - Zwaartekrachtgolven zijn niet waar te nemen met gewone, optische telescopen, maar wel met extreem gevoelige detectoren zoals LIGO, die minuscule veranderingen in afstand kunnen meten.
Detectoren als LIGO vangen niet alleen signalen uit de ruimte op, maar registreren ook alles wat zich op of rond de aarde afspeelt. Verstoringen, ook wel glitches genoemd, ontstaan bijvoorbeeld door aardbevingen, weersomstandigheden of zelfs door het verkeer in de buurt.
Sommige glitches lijken qua vorm op de signalen waar onderzoekers naar zoeken, zoals die van botsingen tussen neutronensterren of zwarte gaten. Het opschonen van de data is daarom tijdrovend en is er veel rekenkracht voor nodig.
In plaats van alle mogelijke verstoringen een voor een te bekijken, leert de tool DeepExtractor hoe normale achtergrondruis er in de detector uitziet. Als het patroon daar van afwijkt, valt dat vanzelf op.
Tom Dooney, verbonden aan de Nederlandse Open Universiteit en UUtrecht: “We proberen het normale patroon van de detector zo te modelleren dat alles wat daar niet bij past zichtbaar wordt.”
De AI-tool kan twee seconden aan data verwerken in slechts een tiende van een seconde en is daarmee zo’n duizend keer sneller dan traditionele methoden. Dat maakt realtime-analyse in de toekomst misschien 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.”
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 ruim 250.000 realistische voorbeelden en presteert goed op echte datasets. Toch is het systeem niet perfect. In sommige gevallen is het moeilijk om onderscheid te maken tussen een glitch en een signaal, en blijft aanvullende validatie nodig.
Op de illustratie boven: DeepExtractor leert hoe achtergrondruis eruitziet en filtert vervolgens waardevolle signalen uit de data.
