Näherungsverfahren

Um eine Gravitationswelle im Rauschen zu finden, muss man Funktionen lösen, aus denen man die Wahrscheinlichkeit erhält, dass es sich um ein echtes Signal handelt. Diese Funktionen sind mathematisch nicht allzu kompliziert, aber sie enthalten sehr viele Parameter und verbrauchen entsprechend viel Rechenzeit. Das wird zum Problem, wenn man ein Signal in Echtzeit analysieren will. »Wir müssen diese Funktionen viele Millionen Mal pro Sekunde lösen, um herauszufinden, was Signal und was Rauschen ist«, so Cannon. Es sei einfach nicht genug Zeit, um exakt auszurechnen, wie wahrscheinlich ein Signal in einem Datenabschnitt steckt.

Deswegen tricksen die Gravitationswellenanalysten mit Näherungsverfahren, um schneller zum gewünschten Ergebnis zu kommen. Neuronale Netze seien mathematisch betrachtet nicht viel anders als andere Näherungsverfahren – eine Klasse von Funktionen, die ein möglichst gutes Ergebnis in möglichst wenig Rechenzeit liefern. Dass die KI wirklich bessere Ergebnisse bringt als die bisherigen Methoden, sei keineswegs sicher, so Cannon. Die grundsätzliche Frage nach dem Nutzen neuronaler Netzwerke lasse sich deswegen ganz konkret mathematisch formulieren: »Liefert die Neuronale-Netz-Klasse parametrischer Funktionen hinreichend gute Näherungen der Wahrscheinlichkeit eines Signals?«

Auch andere an der Analyse von Gravitationswellendaten interessierte Forscher sind, was Deep Learning angeht, noch zurückhaltend. »Diese Methoden werden gerade erst erforscht. Sie zeigen zwar ein aufregendes Potenzial, von konkreten Anwendungen sind sie aber noch ein Stück entfernt«, sagt Reinhard Prix vom Max-Planck-Institut für Gravitationsphysik, der selbst an neuronalen Netzen für die Analyse von Gravitationswellen forscht. »Ich denke, dass das klassische Matched-filtering-Verfahren bleiben wird, schon um die mit einer hypothetischen Deep-Learning-Suche entdeckten Signale zu verifizieren.«

Der Fingerabdruck der Milchstraße

Eins aber ist auch für Prix klar: Das KI-Verfahren ist derzeit ungleich schneller. Vorantreiben könnte diese Entwicklung hin zum Deep Learning auch ein anderer Trend: Je empfindlicher die Detektoren bei niedrigeren Frequenzen werden, desto rechenintensiver wird die Analyse. Je größer die Wellenlänge, desto längere Zeiträume muss man analysieren, um die Signale aufzuspüren. Ein möglicher Zeitvorteil neuronaler Netze wäre bei den enormen Datenmengen umso wichtiger.

Die Arbeiten von George und Huerta legen allerdings nahe, dass Deep Learning nicht nur schneller ist, sondern auch weniger leicht abgelenkt wird. So gehen die Forscher ein weiteres Problem an, das mit klassischen Analyseverfahren noch manuell gelöst werden muss und bei der Entdeckung des Neutronensternsignals zu Verzögerungen führte: höchst irdische, als »Glitches« bezeichnete Störsignale. Mit diesen konfrontierten die beiden Forscher ihr Computerprogramm.

Das neuronale Netz, so George und Huerta, identifizierte echte Signale auch in Gegenwart eines Glitches in 80 Prozent der Fälle. »Unsere Ergebnisse zeigen, dass neuronale Netze ähnliche Leistungen bringen wie »matched filtering«, gleichzeitig aber mehrere Größenordnungen schneller und auch widerstandsfähiger gegen vorübergehende Artefakte wie Glitches sind«.

»Außerdem zeigen wir, dass wir neue Arten von Signalen sehen können, die jenseits dessen liegen, was bisherige Verfahren leisten«, so George. Deep Learning findet demnach auch Paare von Schwarzen Löchern, die sich auf sehr lang gezogenen Bahnen umrunden und gegeneinander gekippte Rotationsachsen haben – selbst wenn das System nur mit Löchern in kreisförmigen Umlaufbahnen und paralleler Rotation trainiert wurde.

Andere Fachleute denken sogar schon weiter, denn Gravitationswellen entstehen nicht nur, wenn extrem schwere Objekte verschmelzen. Andere Signaltypen sind ungleich häufiger – zum Beispiel lassen auch rotierende Neutronensterne die Raumzeit vibrieren und erzeugen eine kontinuierliche Schwingung gleich bleibender Frequenz. Zusammen mit einem Team aus Glasgow prüft Reinhard Prix derzeit, ob Deep Learning auf der Suche nach diesen bis jetzt rein hypothetischen Signalen helfen kann. Noch weiß niemand, welche neuen kosmischen Phänomene es zwischen den bisher bekannten Signalen zu entdecken gibt. Künstliche Intelligenz könnte helfen, diese weißen Flecken zu füllen.