Selbst­kon­trol­lier­ter Algorith­mus inter­pre­tiert Gravitationswellendaten

Gemein­sam mit einem inter­dis­zi­pli­nä­ren Team des Max-Planck-Insti­tuts für Intel­li­gente Systeme und des Max-Planck-Insti­tuts für Gravi­ta­ti­ons­phy­sik, zu dem auch sein Hector Fellow Bernhard Schöl­kopf gehört, hat Maximi­lian Dax, Nachwuchs­wis­sen­schaft­ler der HFA, in der Fachzeit­schrift Physi­cal Review Letters eine Arbeit über Neural Importance Sampling for Rapid and Relia­ble Gravi­ta­tio­nal-Wave Inference veröffentlicht.

Darin entwi­ckelte er einen Algorith­mus, der seine eigenen Berech­nun­gen der Eigen­schaf­ten verschmel­zen­der Schwar­zer Löcher sofort überprüft und sein Ergeb­nis bei Bedarf korri­giert – kosten­güns­tig und schnell. Die maschi­nelle Lernme­thode liefert sehr genaue Infor­ma­tio­nen über die beobach­te­ten Gravi­ta­ti­ons­wel­len und wird einsatz­be­reit sein, wenn das globale Netzwerk von Gravi­ta­ti­ons­wel­len­de­tek­to­ren im Mai seinen nächs­ten Beobach­tungs­lauf startet.

Das entwi­ckelte, selbst­über­prü­fende Deep-Learning-System extra­hiert Infor­ma­tio­nen aus Gravi­ta­ti­ons­wel­len­da­ten sehr genau. Dabei überprüft das System seine eigenen Vorher­sa­gen über die Parame­ter verschmel­zen­der schwar­zer Löcher – ein tiefes neuro­na­les Netz mit einem Sicher­heits­netz. Ein Satz von 42 entdeck­ten Gravi­ta­ti­ons­wel­len von verschmel­zen­den schwar­zen Löchern wurde von dem Algorith­mus erfolg­reich analy­siert: Beim Vergleich mit rechen­in­ten­si­ven Standard­al­go­rith­men waren die Ergeb­nisse nicht zu unterscheiden.