Нейросеть не смогла найти отклонения от теории Эйнштейна в данных LIGO
iXBT.com ·
Физики проверили, может ли машинное обучение помочь найти следы «новой физики» в гравитационно-волновых сигналах без помощи классических методов, и получили отрезвляющий результат. Эксперимент с реальным шумом детектора LIGO и данными исторического события GW150914 показал: когда величина отклонения от Общей теории относительности опускается ниже определённого порога, нейросетевой классификатор становится слепым.
Физики проверили, может ли машинное обучение помочь найти следы «новой физики» в гравитационно-волновых сигналах без помощи классических методов, и получили отрезвляющий результат. Эксперимент с реальным шумом детектора LIGO и данными исторического события GW150914 показал: когда величина отклонения от Общей теории относительности опускается ниже определённого порога, нейросетевой классификатор становится слепым.
Поиск отклонений от теории Эйнштейна — одна из главных задач современной астрофизики. Каждое зарегистрированное слияние чёрных дыр пока что укладывается в предсказания Общей теории относительности в пределах погрешностей измерений, но экстремальная гравитация в момент столкновения остаётся манящим полигоном для проверки её пределов. Традиционный подход опирается на метод согласованной фильтрации — трудоёмкий математический аппарат, который сравнивает сигнал с библиотекой заранее просчитанных шаблонов. Он точен, но ограничен: если реальное отклонение выходит за рамки заложенных в шаблоны форм, метод его не увидит.
Авторы новой работы задались вопросом: справится ли с этой задачей искусственный интеллект, обученный напрямую на данных, без опоры на физические модели? Они сконструировали гибридный классификатор, объединяющий одномерную свёрточную нейросеть с десятью статистическими признаками сигнала, рассчитанными вручную. Модель обучалась различать гравитационно-волновые сигналы, соответствующие Общей теории относительности, и сигналы с искусственно внесёнными отклонениями трёх типов: амплитудной, фазовой и частотной модуляцией. Сила отклонения задавалась безразмерным параметром β.
Ключевой особенностью эксперимента стало использование реальных данных с детектора LIGO H1, а не синтетических симуляций. Для создания шаблона брали данные реального события GW150914 — первого в истории зарегистрированного слияния чёрных дыр. На эталоне «эйнштейновского сигнала» строили его модифицированные версии с контролируемой силой искажения, подмешивали их в реальный шум и смотрели, с какого момента классификатор начинает уверенно отличать одно от другого.
Результат оформился в чёткую кривую обнаружимости. При β ≥ 0,5 нейросеть работала безупречно, при β ≈ 0,25 точность составляла около 75%, а при β ≤ 0,2 классификатор скатывался к случайному угадыванию с точностью 51,7% — ровно на уровне «подбрасывания монетки». Потери модели на протяжении всего обучения держались на отметке ≈ 0,693, что означает полное отсутствие найденных различий между классами.
Анализ значимости признаков показал, что классификатор опирался не на общую энергию сигнала, а на «хвосты» распределения амплитуд. Это согласуется с физикой внесённых искажений: модуляция концентрирует энергию вблизи момента слияния, меняя форму распределения, но не его масштаб. Именно поэтому стандартное отклонение и среднеквадратичное значение оказались для модели бесполезными — их важность классификатор оценил ровно в ноль.
Результат — не техническая неудача, а количественная граница возможностей чистого машинного обучения в этой задаче. Авторы подчёркивают: их результат не отменяет перспектив ИИ в гравитационно-волновой астрономии, но ясно показывает, что без связки с согласованной фильтрацией, способной когерентно накапливать сигнал по всей частотной эволюции, нейросетевые методы остаются глухи к тонким эффектам.
Следующим шагом может стать подача на вход классификатору не «сырого» сигнала, а временного ряда, уже пропущенного через фильтр, согласованный с формой волны. Это объединило бы чувствительность классических методов к фазовой эволюции сигнала со способностью машинного обучения вылавливать аномалии, не вписывающиеся ни в один заранее заданный шаблон.