深度学习帮助科学家开展实时引力波探测

“

美国国家超级计算应用中心的科学家正在利用深度学习对引力波进行实时探测。

”

位于美国伊利诺伊大学厄巴纳-尚佩恩分校（University of Illinois at Urbana-Champaign）的美国国家超级计算应用中心（NCSA）的科学家率先使用通过GPU加速的深度学习技术来快速探测及描述引力波。这一新方法让天文学家得以使用最少的计算资源研究引力波，从而缩短发现时间并增加引力波天体物理学的科学影响力。这一创新研究成果最近已在《物理快报B》（Physics Letters B）上发表。

通过组合使用深度学习算法、黑洞合并数值相对模拟（借助在Blue Waters超级计算机上运行的爱因斯坦工具包[Einstein Toolkit]实现）以及来自激光干涉引力波天文台开放科学中心（LIGO）的数据，NCSA重力研究小组的科学家发明了Deep Filtering这一端到端时序信号处理方法。与既有的引力波探测算法相比，Deep Filtering具有相似的灵敏度和更低的错误率，并且计算效率更高且噪声异常应对更灵活。借助该方法，LIGO原始数据中的引力波能够得到比实时处理更快的处理，同时还能发现新的物理现象。因为使用该方法可探测到新的引力波来源，而这些来源在现有探测算法中可能会被忽略。科学家正在扩展这一算法，以便在未来的LSST（Large Synoptic Survey Telescope，大型综合巡天望远镜）数据中实时识别引力波的对应电磁数据。

NCSA重力研究小组利用了其创新系统实验室的NCSA资源和NCSA的Blue Waters超级计算机，并与伊利诺伊州大学富有才华的跨学科教职人员展开协作。英伟达（NVIDIA）提供的GPU对于这一研究而言也很重要，这些GPU为加速训练神经网络提供了帮助。美国沃尔夫勒姆研究公司（Wolfram Research）也在其中扮演了重要角色，因为Wolfram语言（一种多模态编程语言）被用于创建此深度学习框架。

NCSA的科学家与英伟达和沃尔夫勒姆的科研人员共同制作了此演示，以便可视化Deep Filtering的架构及在探测和描述真实引力波活动期间深入了解其神经元活动。此演示重点介绍Deep Filtering的所有组件，展示了其探测灵敏度和计算性能。

这一工作成果在2017年世界超算大会的ACM学生研究竞赛上获得第一名，同时在第24届IEEE高性能计算、数据和分析国际会议（24th IEEE International Conference on HPC, Data, and Analytics）上荣获“最佳墙报大奖”（Best Poster Award）。这一研究成果在2017年深度学习物理科学研讨会（2017 Deep Learning Workshop for the Physical Sciences）上以一般报告的形式进行介绍。