Des scientifiques du National Center for Supercomputing Applications (NCSA), situé à l'Université de l'Illinois à Urbana-Champaign, ont été les pionniers de l'utilisation de l'apprentissage en profondeur accéléré par GPU pour la détection et la caractérisation rapides des ondes gravitationnelles. Cette nouvelle approche permettra aux astronomes d'étudier les ondes gravitationnelles en utilisant un minimum de ressources de calcul, réduire le délai de découverte et augmenter la portée scientifique de l'astrophysique des ondes gravitationnelles. Cette recherche innovante a récemment été publiée dans Physique Lettres B .

Combinant des algorithmes d'apprentissage profond, des simulations de relativité numérique des fusions de trous noirs - obtenues avec la boîte à outils Einstein exécutée sur le supercalculateur Blue Waters - et des données du LIGO Open Science Center, Les chercheurs du NCSA Gravity Group Daniel George et Eliu Huerta ont produit Deep Filtering, une méthode de traitement de signaux de séries temporelles de bout en bout. Le filtrage en profondeur atteint des sensibilités similaires et des erreurs inférieures par rapport aux algorithmes de détection d'ondes gravitationnelles établis, tout en étant beaucoup plus efficace sur le plan informatique et plus résistant aux anomalies de bruit. La méthode permet un traitement plus rapide qu'en temps réel des ondes gravitationnelles dans les données brutes de LIGO, et permet également une nouvelle physique, car il peut détecter de nouvelles classes de sources d'ondes gravitationnelles qui peuvent passer inaperçues avec les algorithmes de détection existants. George et Huerta étendent cette méthode pour identifier en temps réel les contreparties électromagnétiques des événements d'ondes gravitationnelles dans les futures données LSST.

Le groupe Gravity de NCSA a tiré parti des ressources NCSA de son laboratoire de systèmes innovants, le supercalculateur Blue Waters de la NCSA, et a collaboré avec le personnel interdisciplinaire talentueux de l'Université de l'Illinois. Les GPU (Tesla P100 et DGX-1) fournis par NVIDIA, qui a permis une formation accélérée des réseaux de neurones. Wolfram Research a également joué un rôle important, comme Wolfram Language a été utilisé pour créer ce cadre d'apprentissage en profondeur.

George et Huerta ont travaillé avec les chercheurs de NVIDIA et Wolfram pour créer cette démo afin de visualiser l'architecture du Deep Filtering, et d'avoir un aperçu de son activité neuronale lors de la détection et de la caractérisation d'événements réels d'ondes gravitationnelles. Cette démo met en avant tous les composants du Deep Filtering, présentant sa sensibilité de détection et ses performances de calcul.