Giả thuyết sóng, gợn sóng hấp dẫn trong không gian gây ra bởi các sự kiện thiên văn lớn, lần đầu tiên đã được giả thuyết bởi Albert Einstein vào năm 1915. Phải mất một thế kỷ trước khi Máy dò ánh xạ laser thiên văn Laser Interferometry (LIGO) ở Hoa Kỳ lần đầu tiên đón nhận những tín hiệu rất mờ nhạt loại sóng này từ va chạm của các lỗ đen nhị phân .
Kể từ lần phát hiện đầu tiên trong lịch sử vào tháng 9/2015, các máy dò LIGO tiên tiến và VIRGO của châu Âu đã thu được nhiều tín hiệu sóng hấp dẫn từ các lỗ đen nhị phân khác và từ sự va chạm của các sao neutron nhị phân.
|
Nguồn ảnh: Phys. |
Hiện các tín hiệu sóng hấp dẫn phải chọn lọc kèm tiếng ồn xung quanh các máy dò sử dụng qua một kỹ thuật được gọi là bộ lọc phù hợp, đo các đầu ra từ các máy dò trên một dạng sóng mẫu. Các tín hiệu khớp với hình dạng của dạng sóng mẫu sau đó sẽ được kiểm tra chặt chẽ hơn để xác định xem chúng có phải là một sóng hấp dẫn thực sự hay không .
Tuy nhiên, quá trình này đòi hỏi rất nhiều sức mạnh tính toán. Khi các máy dò được nâng cấp và độ nhạy của chúng với các tín hiệu sóng hấp dẫn tăng lên, các nhà thiên văn học mong đợi sẽ có nhiều phát hiện hơn trong mỗi lần quan sát, đồng thời tăng cường sức mạnh tính toán cần thiết để xác định chính xác dạng sóng.
Sinh viên Đại học Glasgow về Vật lý và Thiên văn Hunter Gabbard và Fergus Hayes và đại học Michael Williams đã nhận ra rằng công nghệ học máy cùng với một hình thức trí tuệ nhân tạo, có thể giúp quá trình phát hiện có hiệu quả về mặt tính toán hơn.
Mời quý vị xem video: Giải thích về sóng hấp dẫn và cách LIGO chứng minh nó có thật
Dưới sự chỉ đạo của Tiến sĩ Christopher Messenger của trường Đại học Glasgow, họ đã sử dụng một quá trình được biết dưới sự giám sát công nghệ học máy để xây dựng một trí thông minh nhân tạo có khả năng thu được chính xác các tín hiệu sóng hấp dẫn bị chôn vùi trong tiếng ồn từ hàng ngàn bộ dữ liệu mô phỏng mà họ tạo ra.
Fergus Hayes cho biết thêm: "Đồng thời, chúng tôi cũng đã sử dụng một quá trình lọc phù hợp để sàng lọc dữ liệu sóng trọng trường mô phỏng của chúng tôi, do đó chúng tôi có thể so sánh hiệu quả của cách tiếp cận công nghệ học máy bằng cách sử dụng một quy trình thống kê có giá trị gọi là bộ thu các đường cong đặc tính (ROC).