• Die Zukunft mitgestalten

    Die Hector Fellow Academy stößt innovative Forschungsprojekte in neuen wissenschaftlichen Fragestellungen an.

Machine Learning Methoden für die Analyse von Gravitationswellen

Maximilian Dax – Hector Fellow Bernhard Schölkopf

Der Nachweis von Gravitationswellen (GW) hat ein neues Fenster zum Universum geöffnet, durch das wir die Physik der Verschmelzung von Schwarzen Löchern und Neutronensternen studieren können. Durch die Analyse von GW können wir auf Eigenschaften der entsprechenden astrophysikalischen Systeme schließen. Die derzeitigen Analysemethoden sind jedoch rechnerisch zu teuer, um mit der wachsenden Datenmenge umgehen zu können. Meine Forschung befasst sich daher mit der Entwicklung effizienter Methoden des maschinellen Lernens für die GW-Analyse.

Bei der Verschmelzung von binären Systemen aus Schwarzen Löchern oder Neutronensternen werden Gravitationswellen (GW) emittiert, die Informationen über die Dynamik des Systems enthalten. Der Nachweis von GW bietet daher die spannende und einzigartige Möglichkeit, Einblick in diese Ereignisse zu gewinnen. Die derzeitigen Analysemethoden sind jedoch langsam und rechenintensiv. Dies wird mit zunehmender Dichte der detektierten Signale aufgrund der kontinuierlichen Verbesserung der Detektorempfindlichkeit zunehmend problematisch. Effizientere Analysemethoden sind daher für den Fortschritt in der Gravitationsphysik unerlässlich. Meine Forschung befasst sich mit der Entwicklung von Methoden des maschinellen Lernens, um die Analyse von GW zu beschleunigen.

Mein derzeitiger Schwerpunkt liegt auf der Schätzung der Parameter astrophysikalischer Systeme (z.B. der Massen) anhand der in den Detektoren beobachteten GW-Daten. Diese Aufgabe kann als ein inverses Problem interpretiert werden. In der Vorwärtsrichtung wird die Wellenform für gegebene Parameter im Rahmen der Allgemeinen Relativitätstheorie simuliert. Wir sind an der anderen Richtung interessiert; anhand der gemessenen GW-Daten schätzen wir die Parameter mit Methoden zur simulationsbasierten Inferenz. Dazu trainieren wir ein neuronales Netz, welches die so genannte A-posteriori-Verteilung modelliert. Durch die amortisierte Berechnung für verschiedene Ereignisse und den direkten Zugriff auf die gesuchte Wahrscheinlichkeitsdichte ermöglicht unser Ansatz eine schnelle Analyse von GW mit niedriger Latenz.

Abbildung 1: A-posteriori Wahrscheinlichkeitsdichte für die Massen der beiden schwarzen Löcher, deren Verschmelzung die erste je detektierte Gravitationswelle GW150914 verursacht hat. Das Ergebnis der teuren Standardmethode ist in blau dargestellt, das unseres neuronalen Netzes in orange. Die Konturen repräsentieren die 50% und 90% Glaubwürdigkeitsintervalle. Abbildung von Stephen R. Green.