Исследователи проверили, может ли машинное обучение обнаружить следы «новой физики» в данных детектора LIGO, используя параметры исторического события GW150914. В отличие от традиционной согласованной фильтрации, опирающейся на жесткие шаблоны, нейросетевая модель обучалась на сигналах с искусственно внесенными амплитудными, фазовыми и частотными искажениями. Однако при снижении интенсивности отклонений, выражаемой параметром β, точность алгоритма стремительно падала. Если при β ≥ 0,5 нейросеть работала безупречно, то при значениях β ≤ 0,2 она фактически переставала различать сигналы, демонстрируя точность 51,7%.
Искусственный интеллект не увидел аномалий в данных LIGO
Попытка использовать нейросети для поиска отклонений от Общей теории относительности в гравитационно-волновых сигналах завершилась неудачей. Эксперимент показал, что при малых искажениях сигнала классификатор теряет чувствительность и начинает выдавать случайные результаты, не превосходящие вероятность подбрасывания монетки, что ставит под сомнение эффективность полностью автономных ИИ-методов в астрофизике.
Анализ показал, что модель фокусировалась на «хвостах» распределения амплитуд, игнорируя при этом общие энергетические показатели сигнала. Это выявило фундаментальное ограничение: без интеграции с классическими математическими методами, способными накапливать информацию о фазовой эволюции волны, нейросети остаются нечувствительны к тонким эффектам. Авторы работы заключают, что текущие нейросетевые архитектуры не могут заменить стандартный подход, но могут стать эффективным дополнением. Будущие разработки, вероятно, пойдут по пути гибридных систем, где данные предварительно проходят через фильтры, настроенные на форму гравитационной волны.
Комментарии (0)
Пока нет комментариев. Будьте первым!