Tom Dooney, promovendus aan de Open Universiteit en verbonden aan het GRASP-instituut van de Universiteit Utrecht, heeft een nieuwe analysetool ontwikkeld voor zwaartekrachtgolfdata. De tool, DeepExtractor, gebruikt deep learning om sneller en efficiënter ruis te verwijderen uit signalen uit de ruimte. Subtiele signalen worden zo beter zichtbaar.
‘Zwaartekrachtsgolven lijken qua structuur op audiosignalen,’ zegt Dooney. ‘Maar ze zijn heel zwak, en de gegevens zitten vol ruis.’ DeepExtractor is gebaseerd op technieken uit de audioverwerking. De tool kan terugkerende patronen in achtergrondgeluiden herkennen. Zo kan de software onderscheid maken tussen aardse verstoringen, zoals verkeerslawaai of aardbevingen, en signalen die wél relevant zijn, zoals die van botsende zwarte gaten.
In plaats van alle mogelijke verstoringen één voor één te modelleren, leert DeepExtractor hoe normale achtergrondruis er in de detector uitziet. Als het patroon afwijkt, valt dat vanzelf op. Die aanpak is vergelijkbaar met technieken uit de muziekanalyse: software kan leren wat een begeleidende beat is, zodat elementen als een gitaarmelodie of zang beter hoorbaar worden. ‘We proberen het normale patroon van de detector zodanig te modelleren dat alles wat daar niet bij past zichtbaar wordt.’
De AI-tool kan twee seconden aan gegevens verwerken in slechts een tiende van een seconde. DeepExtractor werkt dus duizend keer sneller dan traditionele methoden. Dat maakt realtime-analyse in de toekomst misschien wel haalbaar, zodat de data opgeschoond wordt terwijl het binnenkomt. Volgens Dooney kan dit waardevol zijn voor toekomstige detectoren, zoals de Einstein Telescope. ‘Die wordt zo gevoelig dat zwaartekrachtgolven in principe non-stop aanwezig zijn in de metingen. Je hebt dan methoden nodig die de stroom aan data meteen kunnen doorlichten.’
Lees het hele bericht op de site van de Open Universiteit.
