// SCINEXX — SPAZIO & SCIENZA
KI hilft bei der Suche nach mittelgroßen Schwarzen Löchern
Bei der Suche nach Gravitationswellen könnte künstliche Intelligenz etablierte Auswertungsverfahren ergänzen. Ein neues System hat in bereits analysierten LIGO-Daten 47 bekannte Signale von Verschmelzungen Schwarzer Löcher wiedergefunden und dabei vor allem massereiche Ereignisse erfasst. Die Ergebnisse zeigen aber auch, dass schwächere Signale bislang oft übersehen werden.
Wien (Österreich). Wenn zwei Schwarze Löcher miteinander verschmelzen, versetzen sie die Raumzeit in Schwingung. Die dabei freigesetzten Gravitationswellen erreichen die Erde als schwache Signale, die zwischen zahlreichen Störungen der Messinstrumente verborgen liegen. Bei besonders massereichen Paaren sind diese Signale oft sehr kurz, weil nur wenige Schwingungszyklen in den empfindlichen Frequenzbereich der heutigen Detektoren fallen.
Bisher suchen viele Analyseprogramme nach diesen Wellen, indem sie die Messdaten mit vorausberechneten Signalformen vergleichen. Dieses als Matched Filtering bezeichnete Verfahren ist leistungsfähig, kann aber ungewöhnliche oder nur unvollständig modellierte Wellenformen schwerer erfassen. Deshalb werden zusätzliche Methoden benötigt, die weniger genaue Vorannahmen über das gesuchte Signal machen.
Forscher der Österreichischen Akademie der Wissenschaften (ÖAW) um Gianluca Inguglia haben nun ein mehrstufiges KI-Suchsystem namens MADGRAV auf echte Messdaten der amerikanischen Gravitationswellen-Detektoren LIGO angewendet. Das Verfahren soll auffällige Muster aufspüren und zugleich kurzzeitige Störsignale der Instrumente aussortieren.
MADGRAV wertet die Daten der beiden LIGO-Anlagen in Hanford und Livingston als Zeit-Frequenz-Bilder von jeweils einer Sekunde Länge aus. Ein neuronales Netz lernt zunächst, typische Muster des Detektorrauschens möglichst genau nachzubilden. Weicht ein Messabschnitt deutlich davon ab, erhöht sich sein Anomaliewert und er wird als möglicher Gravitationswellen-Kandidat markiert.
Das System lernt allerdings nicht ausschließlich aus reinem Rauschen. Für das Training haben die Forscher zusätzlich simulierte Signale verschmelzender Schwarzer Löcher in reale Rauschdaten eingefügt. Weitere neuronale Netze prüfen anschließend, ob eine Auffälligkeit eher einer technischen Störung gleicht und ob die Messungen beider Detektoren zu einem gemeinsamen astrophysikalischen Ereignis passen.
Für den Praxistest analysierte das Team öffentlich zugängliche LIGO-Daten aus dem dritten Beobachtungslauf und den ersten beiden Abschnitten des vierten Laufs. Insgesamt umfasste die Auswertung 442,9 Tage, an denen beide Anlagen gleichzeitig geeignete Messdaten lieferten. Zur Abschätzung möglicher Fehlalarme verglichen die Forscher die Kandidaten mit künstlich zeitlich gegeneinander verschobenen Detektordaten.
Von 48 zunächst auffälligen Kandidaten erfüllten 47 die abschließende Signifikanzschwelle. Für diese Ereignisse berechnete das Team jeweils eine Fehlalarmrate von weniger als einem Ereignis pro Jahr und eine Wahrscheinlichkeit von mehr als 90 Prozent für einen astrophysikalischen Ursprung. Alle 47 Signale waren allerdings bereits in offiziellen Gravitationswellen-Katalogen erfasst. MADGRAV hat somit keine bislang unbekannte Kollision entdeckt.
Bei 44 dieser Ereignisse war auch das etablierte, weitgehend ohne feste Signalvorlagen arbeitende Verfahren coherent WaveBurst erfolgreich. Die drei übrigen Signale waren ebenfalls schon durch andere Suchmethoden bekannt. Das neue KI-System liefert damit vor allem einen unabhängigen Weg, bereits bestätigte Messereignisse in den Detektordaten zu erkennen.
Die 46 Ereignisse mit veröffentlichten Massenangaben stammen von Doppelsystemen mit einer Gesamtmasse zwischen 14 und 236 Sonnenmassen, gemessen im Bezugssystem ihrer kosmischen Quellen. Der Median liegt bei 69 Sonnenmassen. Besonders häufig fand MADGRAV die Signale jener Verschmelzungen, an denen vergleichsweise schwere Schwarze Löcher beteiligt waren.