ľ�ϸ���Ӱ��

, promovendus aan en verbonden aan het GRASP-instituut van de Universiteit Utrecht, heeft een nieuwe analysetool ontwikkeld voor zwaartekrachtgolfdata. De tool, DeepExtractor, gebruikt deep learning om . DeepExtractor kan terugkerende patronen in achtergrondgeluiden herkennen en zo maakt de software onderscheid tussen relevante signalen, zoals die van botsende zwarte gaten, en aardse verstoringen, zoals verkeerslawaai of aardbevingen. De methode is gebaseerd op technieken uit de audioverwerking en helpt onderzoekers om de zwakke signalen van zwaartekrachtsgolven beter te analyseren.

Signalen van zwaartekrachtsgolven zitten vol ruis. Het is alsof je fluisterende mensen probeert te verstaan in een druk café.

Wanneer in de ruimte twee zware objecten, zoals zwarte gaten, met elkaar botsen, ontstaan er verstoringen in de ruimtetijd: zwaartekrachtsgolven. Die zijn niet waar te nemen met gewone, optische telescopen, maar wel met extreem gevoelige detectoren zoals LIGO, die minuscule veranderingen in afstand kunnen meten. “Zwaartekrachtsgolven lijken qua structuur op geluidssignalen,” zegt Dooney. “Ze zijn alleen heel zwak en de gegevens zitten vol ruis. Het is alsof je fluisterende mensen probeert te verstaan in een druk café.”

Verkeer in de buurt

Detectoren als LIGO vangen niet alleen signalen uit de ruimte op, maar registreren ook alles wat zich op of rond de aarde afspeelt. Verstoringen, ook wel glitches genoemd, ontstaan bijvoorbeeld door aardbevingen, weersomstandigheden of zelfs door het verkeer in de buurt. Sommige glitches lijken qua vorm op de signalen waar onderzoekers naar zoeken, zoals die van botsingen tussen neutronensterren of zwarte gaten. Het opschonen van de data is daarom tijdrovend en is er veel rekenkracht voor nodig.

Een bekend patroon

In plaats van alle mogelijke verstoringen een voor een te bekijken, leert de tool DeepExtractor hoe normale achtergrondruis er in de detector uitziet. Als het patroon daar vervolgens van afwijkt, valt dat vanzelf op. Die aanpak is vergelijkbaar met technieken uit de muziekanalyse: software kan leren hoe een begeleidende beat eruitziet, zodat elementen als een gitaarmelodie of zang daar uitspringen. Dooney: “Zo werkt het ook ongeveer met het zoeken naar zwaartegrachtsgolven. We proberen het normale patroon van de detector zo te modelleren dat alles wat daar niet bij past zichtbaar wordt.”

Sneller dan de data binnenkomt

De AI-tool kan twee seconden aan gegevens verwerken in slechts een tiende van een seconde en is daarmee zo’n 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.”

Vertrouwen in kunstmatige intelligentie

De inzet van AI in natuurkunde roept vaak vragen op over transparantie en betrouwbaarheid. “Fysici zijn gewend om te werken met wiskundige modellen waarvan je precies begrijpt hoe ze werken,” zegt Dooney. “Een AI-model voelt al snel als een black box. Daarom hebben we DeepExtractor open-source gemaakt. Iedereen kan de code inzien, testen of aanpassen.”

Het model is getraind op meer dan 250.000 realistische voorbeelden en presteert goed op echte datasets. Toch is het systeem niet perfect. In sommige gevallen is het moeilijk om onderscheid te maken tussen een glitch en een signaal, en blijft aanvullende validatie nodig.