Oggi il rilevamento delle onde gravitazionali è ormai qualcosa di molto comune, e man mano che la sensibilità dei rivelatori migliora, osserveremo presto centinaia di eventi ogni anno. L’intelligenza artificiale ci dara` una grossa mano nell’analizzare questa enorme mole di dati

Considerate il pannello in alto nella figura qui di seguito. Potete vedere due figure a sinistra, che numeri rappresentano? Probabilmente avrete impiegato qualche centesimo di secondo per rispondere “3 e 6”, vista l’ovvieta’ della questione. Bene, e se invece vi chiedessi di spiegarmi questa ovvieta’, nel senso di descrivere l’intero processo mentale che vi ha portato alla risposta? Avete per caso registrato le immagini a sinistra per poi paragonarle mentalmente con ciascuna delle vostre immagini “ideali” delle cifre numeriche, come quelle sul lato destro? Certo che no! Se cosi fosse, probabilmente mi avreste dato si comunque la risposta corretta, ma impiegandoci molto di piu’, almeno qualche secondo invece di circa un decimo. Ebbene, qualcosa di molto simile a questo metodo “stupido” e’ cio’ che e’ stato usato piu’ di tutti nell’arco degli ultimi 6/7 anni nell’astronomia delle onde gravitazionali, emesse dalle fusioni di buchi neri e stelle di neutroni in sistemi binari.

GW150914, onde gravitazionali
In alto, una tipica applicazione del machine learning nel riconoscimento dei numeri disegnati a mano. Sotto, l’analisi del segnale di onde gravitazionali GW150914 tramite “matched filtering” con un modello teorico. Credit: A. Raman, “ON SIGNAL ESTIMATION, DETECTION AND INTERFERENCE MITIGATION IN LIGO,” 2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP), 2018, pp. 1086-1090, doi: 10.1109/GlobalSIP.2018.8646464.

Il principio e’ in effetti molto simile, e lo si puo’ vedere nel pannello inferiore. Abbiamo in rosso e in verde due segnali registrati dai due rivelatori statunitensi di LIGO, precisamente si tratta del segnale di onde gravitazionali GW150914, il primo di sempre ad essere rilevato, generato dalla fusione di due buchi neri. Innanzitutto l’enorme consistenza tra i segnali delle due antenne, distanti migliaia di km l’una dall’altra, indica che si tratta del medesimo evento, il cui segnale e’ stato poi paragonato con una collezione di decine di migliaia di segnali teorici (o “modelli”), simulati da un computer, ipotizzando diverse sorgenti all’origine. Una corrispondenza significativa tra i dati osservativi e uno qualsiasi dei modelli teorici (come quello rappresentato dalla linea nera) indica un rilevamento, mentre il tipo di forma d’onda nel modello rivela cosa ha causato l’onda gravitazionale in questione.

La potenza del machine learning

Tuttavia, la necessità di confrontare un gran numero di modelli per garantire un risultato accurato significa che questo metodo richiede molta potenza di calcolo e soprattutto molto tempo. Ma fortunatamente negli ultimi anni ha preso sempre piu’ piede in questa branca dell’astronomia una tecnica di calcolo nota come “Machine Learning”, “Apprendimento della macchina” in italiano, o “del computer”, una branca della cossidetta intelligenza artificiale in grandissimo fermento. E come viene applicata questa tecnica matematico/informatica all’astronomia delle onde gravitazionali? Essenzialmente, il computer viene prima “istruito” fornendogli decine di migliaia di sengali diversi, meta’ dei quali contengono segnali reali di una fusione di due buchi neri con dell’immancabile rumore di fondo, l’altra meta’ invece solo rumore. Il computer calcola per ogni segnale sia la probabilita’ che si tratti di qualcosa del tutto casuale (rumore) che quella che contenga un segnale reale, comparando poi i risultati con la tipologia di segnale iniziale, che e’ noto. In questo modo, il computer progressivamente si “auto regola”, e migliora i suoi stessi algoritmi diventando via via piu’ efficiente nel riconoscere un segnale astronomico e la sua natura, anche se mischiato a rumore di fondo. Tornando all’esempio iniziale, noi siamo in grado di riconoscere a colpo d’occhio i numeri 3 e 6 disegnati perche’ siamo gia’ stati istruiti da piccoli, in un processo di apprendimento magari durato anche diversi mesi, ma che una volta fatto non abbiamo piu’ bisogno di ripeterlo, e l’operazione di riconoscimento dei numeri (o anche ad esempio delle lettere dell’alfabeto, o di immagini di animali…) richiede solo piu al massimo qualche decimo di secondo. La stessa cosa accade nel machine learning.

Stare al passo con una ricerca galoppante

Oggi il rilevamento delle onde gravitazionali è ormai qualcosa di molto comune, e man mano che la sensibilità della rete globale di rivelatori migliora, osserveremo presto centinaia di eventi ogni anno. Per i sistemi binari di stelle di neutroni e di buchi neri sono previste controparti luminose/elettromagnetiche su scale temporali comprese tra 1 secondo e un 1 minuto appena dopo il ricevimento del segnale gravitazionale. Ma il metodo attualmente più veloce per allertare gli osservatori , basato ancora sul confronto ciclico con collezioni di modelli teorici, può dare delle pre-allerte nell’arco di circa di 1 minuto ad essere ottimisti. Tramite il machine learning invece sara’ possibile accelerare il tutto di circa 1 milione di volte, rendendo possibili allerte dopo un tempo dell’ordine di appena un millesimo di secondo! E’ qualcosa di molto importante, perche’ meno ritardo nell’allerta significa telescopi puntati piu’ rapidamente nella giusta direzione, e quindi meno preziosi dati persi e molti piu’ elementi con cui rispondere alle domande piu’ pressanti riguardo il nostro universo.

Immagine di copertina credit Caltech/R. Ferito (IPAC)

Fonti:

Passione Astronomia partecipa al Programma Affiliazione Amazon EU, che consente ai siti di percepire una commissione pubblicitaria pubblicizzando e fornendo link al sito Amazon.it