Нейросеть показала порог чувствительности к искусственным отклонениям от ОТО в шуме LIGO

Гибридный классификатор смог отличать сигналы с крупными искусственными искажениями, но при малой силе модификации его точность падала до уровня случайного выбора. Эксперимент использовал шаблон события GW150914 и реальный шум детектора LIGO H1, однако найденный порог относится только к выбранной форме модуляции.

Исследователь из Университета Конкордия Мухаммад Аднан Шахзад оценил, насколько машинное обучение способно замечать контролируемые изменения в гравитационно-волновых сигналах на фоне реального шума LIGO — лазерно-интерферометрической гравитационно-волновой обсерватории. Работа пока опубликована в виде препринта.

Классификатор объединяет одномерную свёрточную нейросеть и десять статистических характеристик сигнала. В ходе экспериментов в волновые формы искусственно вносились амплитудные, фазовые и частотные модуляции, сила которых задавалась безразмерным коэффициентом β.

Для отдельной серии испытаний автор взял четырёхсекундный шаблон на основе события GW150914, применил к нему квадратичную по времени амплитудную модуляцию и добавлял полученные версии сигнала в случайные фрагменты реального шума детектора H1. Таким образом, речь идёт не о поиске реальных нарушений Общей теории относительности в исторической записи, а о проверке чувствительности модели к заранее заданным искажениям.

При β ≤ 0,2 точность на отложенной выборке составила 51,7%, то есть практически не отличалась от случайного выбора. В диапазоне β от 0,2 до 0,3 она выросла до 75%, а при β ≥ 0,5 достигла 100%. Центр перехода автор оценил примерно в β = 0,25, но подчеркнул, что это значение характеризует только использованную форму модуляции и не является физическим ограничением на возможные отклонения от теории Эйнштейна.

Анализ признаков показал, что классификатор в основном использовал характеристики хвостов распределения амплитуд, тогда как стандартное отклонение и среднеквадратичное значение почти не помогали. По выводу автора, для поиска слабых эффектов нейросетевой анализ следует объединять с согласованной фильтрацией, которая учитывает фазовую эволюцию сигнала.