Scienziati del National Center for Supercomputing Applications (NCSA), con sede presso l'Università dell'Illinois a Urbana-Champaign, hanno aperto la strada all'uso del deep learning accelerato da GPU per il rilevamento rapido e la caratterizzazione delle onde gravitazionali. Questo nuovo approccio consentirà agli astronomi di studiare le onde gravitazionali utilizzando risorse computazionali minime, riducendo i tempi di scoperta e aumentando la portata scientifica dell'astrofisica delle onde gravitazionali. Questa ricerca innovativa è stata recentemente pubblicata in Lettere di fisica B .

Combinando algoritmi di deep learning, simulazioni di relatività numerica delle fusioni di buchi neri, ottenute con Einstein Toolkit eseguito sul supercomputer Blue Waters, e dati dal LIGO Open Science Center, I ricercatori del NCSA Gravity Group Daniel George ed Eliu Huerta hanno prodotto Deep Filtering, un metodo di elaborazione del segnale di serie temporali end-to-end. Il Deep Filtering raggiunge sensibilità simili ed errori inferiori rispetto agli algoritmi di rilevamento delle onde gravitazionali consolidati, pur essendo molto più efficiente dal punto di vista computazionale e più resistente alle anomalie del rumore. Il metodo consente un'elaborazione più rapida del tempo reale delle onde gravitazionali nei dati grezzi di LIGO, e consente anche una nuova fisica, poiché è in grado di rilevare nuove classi di sorgenti di onde gravitazionali che potrebbero passare inosservate con gli algoritmi di rilevamento esistenti. George e Huerta stanno estendendo questo metodo per identificare in tempo reale le controparti elettromagnetiche degli eventi di onde gravitazionali nei futuri dati LSST.

Il Gravity Group dell'NCSA ha sfruttato le risorse dell'NCSA dal suo Innovative Systems Laboratory, Il supercomputer Blue Waters della NCSA, e ha collaborato con personale interdisciplinare di talento presso l'Università dell'Illinois. Fondamentali per questa ricerca sono state anche le GPU (Tesla P100 e DGX-1) fornite da NVIDIA, che ha consentito un addestramento accelerato delle reti neurali. Anche Wolfram Research ha svolto un ruolo importante, poiché il linguaggio Wolfram è stato utilizzato nella creazione di questo quadro per l'apprendimento profondo.

George e Huerta hanno lavorato con i ricercatori NVIDIA e Wolfram per creare questa demo per visualizzare l'architettura di Deep Filtering, e per ottenere informazioni sulla sua attività neuronale durante il rilevamento e la caratterizzazione di eventi di onde gravitazionali reali. Questa demo mette in evidenza tutti i componenti di Deep Filtering, esibendo la sua sensibilità di rilevamento e prestazioni computazionali.