Los conjuntos de datos grandes y complejos producidos por la instalación de LIGO de ondas gravitacionales se han vuelto fácil de encontrar y reducir el sonido, gracias al trabajo de los científicos en la Universidad de California en la Universidad de California.
Los investigadores de la UCR presentan un artículo en el reciente IEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAD, que muestra un nuevo método de aprendizaje automático obsoleto para encontrar nuevos patrones en el observatorio de ondas gravitacionales del interferómetro láser o los datos del canal de ayuda LIGO. La tecnología también se aplica a las pruebas de acelerador de partículas a gran escala y los grandes sistemas industriales complejos.
LIGO es una ventaja que detecta las ondas gravitacionales: la hora espacial en sí está perturbada por la tela, producida por la aceleración del enorme cuerpo. La parte principal de la teoría de la relatividad de Einstein es la primera en detectar estas olas nacionales de fusionar agujeros negros. Ligo tiene dos interferómetros de 4 km de largo ampliamente aislados: Washington y Livingston, Louisiana, que trabajan juntos para detectar ondas gravitacionales utilizando vigas láser de alta potencia. Estos detectores proporcionan una nueva forma de observar el universo y abordar preguntas sobre los estados gruesos del agujero negro, el cosmicismo y los densos estados del universo.
Cada uno de los dos detectores LIGO registra miles de flujos de datos o canales, que producen resultados de sensores ambientales ubicados en los sitios de detectores.
Jonathan Richardson, profesor asistente de física y astronomía, que dirigió el grupo UCR LIGO, dijo: “El método de aprendizaje automático que desarrollamos estrechamente con el comisionado de LIGO y los tenedores de los Steks identifican completamente los patrones en nuestros datos”. “Podemos ver que restaura los ‘estados’ ambientales conocidos a los operadores en sitios de detectores de LIGO, abriendo la puerta de un nuevo equipo experimental fuerte sin ningún aporte humano que podamos ayudar a la palabra acoplamiento y localización directa a guiar las mejoras futuras en los detectores “
Richardson explicó que los detectores de LIGO son extremadamente sensibles a cualquier tipo de interrupción externa. Los movimientos de tierra y cualquier tipo de velocidad de vibración, que golpea el Groenlandia o la costa del Pacífico desde las olas al océano al mar, pueden afectar la sensibilidad y la calidad de los datos de la prueba, causando “glits” o explosión de ruido extendido, dijo.
“Las situaciones ambientales se realizan en los sitios observados”, dijo. “Hay más de 100,000 canales útiles, incluidos el sismómetro y el acelínmetro en LIGO, donde los interferómetros son sensibles al medio ambiente. El equipo que desarrollamos puede detectar varios intereses ambientales, como terremotos, microsismo y ruido antropogénico, con una serie de precaución. Puede hacer.
Profesor asociado de informática e ingeniería, Vagelis Pappelaxakis, quien fue presidente de la familia Ross en informática, presentó el documento del equipo, “Tiempo de múltiples crestas para las características del estado ambiental del terreno en el quinto lugar de IEEE” en el 5to lugar de IEEE “Big data y Equipment AI para innovadores descubrimientos científicos celebrados, talleres internacionales en términos de modelos y uso
“La forma en que nuestro aprendizaje automático está funcionando es la forma en que tomamos un modelo para identificar los patrones en un datos y dejamos que el modelo se busque a sí mismo”, dijo Paplaxacis. “Esta herramienta fue capaz de identificar los mismos patrones que se coinciden muy estrechamente con condiciones ambientales físicamente significativas que ya conocen los operadores y comisionados humanos en sitios LIGO”.
Pappalaxakis ha agregado que el equipo ha trabajado con la cooperación científica para proteger la liberación de un datos muy grandes relacionados con el análisis de la investigación de la investigación. Esta liberación de datos no solo valida los resultados del equipo a la comunidad de investigación, sino que también puede desarrollar nuevos algoritmos que desean detectar patrones en los datos.
“Hemos identificado una conexión interesante entre la presencia de palabras ambientales externas y ciertos tipos de glits que contaminan la calidad de la información”, dijo Pappalaxakis. “Es probable que este descubrimiento ayude a eliminar o prevenir el evento de esta palabra nacional”.
El equipo organizó y trabajó a través de todos los canales de la liga durante casi un año. Richardson mencionó que la versión de datos fue una iniciativa importante.
“Nuestro equipo ha liderado la publicación a favor de la cooperación científica durante todo el LIGO, que tiene alrededor de 1.220 miembros”, dijo. “Este es el primero de estos tipos especiales de conjuntos de datos y creemos que tendrá un gran impacto en el aprendizaje automático y la comunidad de informática”.
Richardson explicó que la herramienta que el equipo había desarrollado podría obtener información de numerosos sensores diferentes que estaban midiendo varias interrupciones alrededor de los sitios de LIGO. Dijo que esta herramienta podría difundir la información en un solo estado, podría usarse para buscar en las asociaciones de la serie cuando surgen problemas de sonido en los detectores de LIGO y relacionarse con las condiciones ambientales en ese momento.
“Si puede detectar patrones, puede hacer cambios físicos en el detector: reemplace los elementos, por ejemplo,”, dijo. “Se espera que nuestras herramientas puedan centrarse en la conexión del sonido físico que permitió hacer cambios experimentales de manera efectiva en los detectores de LIGO, nuestro objetivo a largo plazo se utiliza para detectar nuevas asociaciones y nuevas formas ambientales en el interferomómetro”.
El estudiante de doctorado que trabaja con Richardson y un asistente en papel, Poan Goddarji, enfatizó públicamente la importancia de publicar un conjunto de datos.
“Por lo general, estos datos nacionales continúan siendo propiedad”, dijo. “Sin embargo, hemos logrado publicar un datos de gran tamaño que esperamos dar como resultado la ciencia de datos y el aprendizaje automático como resultado de una mayor investigación entre disciplina”.
La investigación de este equipo fue apoyada por la subvención de la Fundación Nacional de Ciencias a través de un programa especial, procediendo con equipos con IA, centrándose en la aplicación de inteligencia artificial/aprendizaje automático para resolver problemas de ciencias físicas.
Richardson, Pappexakis y Goddessji se unieron al estudio del estudiante doctoral Rutuza Gurv, trabajando con Papalexakis; Isaac Kelly, estudiante graduado de verano RU; Anamaria Efler del Observatorio Ligo Livingston; Y Barry Barish, un destacado profesor de física y astronomía de la UCR.