LIGO探測器梁管 - 說明性照片。圖片來源：Jeff Keyzer通過FlickrCC BY-SA 2.0
UCR研究人員在最近的IEEE Big-Data研討會上介紹了一篇論文，展示了一種新的，無監督的機器學習方法，以在激光干涉儀重力波動台的輔助渠道數據中找到新模式，或Ligo。該技術還可能適用於大型粒子加速器實驗和大型複雜工業系統。
Ligo是一種檢測引力波的設施，該設施是通過大型身體加速產生的時空本身織物中的瞬時干擾。這是第一個從合併黑洞中檢測到的波浪的人，證實了愛因斯坦相對論的關鍵部分。 Ligo在華盛頓州漢福德和路易斯安那州利文斯頓的兩個長4公里長的干涉儀中，通過使用高功率激光梁，共同檢測引力波。這些探測器的發現提供了一種新的方式來觀察宇宙，並解決有關黑洞，宇宙學和宇宙中最密集狀態的性質的問題。
兩個LIGO探測器中的每一個都記錄了成千上萬的數據流或通道，這些數據流構成了位於檢測器位點的環境傳感器的輸出。
“我們與LIGO專員密切合作開發的機器學習方法，利益相關者完全自行確定數據中的模式。”喬納森·理查森（Jonathan Richardson），助理教授物理和天文學領導UCR Ligo集團的人。 “我們發現，它可以很好地恢復Ligo探測器位置的操作員已知的環境'狀態'，根本沒有人類的投入。這為一個強大的新實驗工具打開了大門，我們可以用來幫助定位噪聲耦合，並直接指導探測器的未來改進。”
理查森（Richardson）解釋說，Ligo探測器對任何類型的外部干擾都極為敏感。他說，地面運動和任何類型的振動運動 - 從風向撞擊格陵蘭島或太平洋海岸的海浪 - 都會影響實驗的靈敏度和數據質量，從而導致“毛刺”或增加噪聲爆發的時期。
他說：“監視環境條件是在這些地點不斷完成的。” “ Ligo具有超過100,000個輔助通道，具有地震儀和加速度計，可感知干涉儀所在的環境。我們開發的工具可以在許多精心挑选和精心策劃的感應通道上識別不同感興趣的環境狀態，例如地震，微觀主義和人為噪聲。”
Vagelis Papalexakis，副教授計算機科學與工程他擔任羅斯家族科學家族主席，介紹了團隊的論文，標題為“多元時間序列聚類用於地面重力波檢測器的環境狀態表徵，”在IEEE的第五屆國際大數據和AI工具，模型和用例上個月在華盛頓特區舉行了
Papalexakis說：“我們的機器學習方法的工作方式是，我們採用一個模型，負責識別數據集中的模式，並讓模型自行找到模式。” “該工具能夠識別與人體經營者和專員在Ligo站點已經知道的具有物理意義的環境狀態的相同模式。”
Papalexakis補充說，該團隊曾與Ligo Scientific合作合作，以確保發布非常大的數據集這與研究論文中報導的分析有關。此數據發布使研究社區不僅可以驗證團隊的結果，而且還可以開發出試圖識別數據模式的新算法。
Papalexakis說：“我們已經確定了外部環境噪聲與某些類型的故障損害數據質量之間的迷人聯繫。” “這一發現有可能幫助消除或防止這種噪音的發生。”
該團隊組織並通過所有Ligo頻道工作了大約一年。理查森指出，數據發布是一項重大任務。
他說：“我們的團隊代表整個Ligo Scientific Collakoration率先發行了這一發布，該合作有大約3200名成員。” “這是這些特定類型的數據集中的第一個，我們認為它將對機器學習和計算機科學界產生很大的影響。”
理查森（Richardson）解釋說，團隊開發的工具可以從許多異質傳感器的信號中獲取信息，這些傳感器正在測量Ligo站點周圍的不同干擾。他說，該工具可以將信息提煉成單個狀態，然後可以用來搜索Ligo檢測器中噪聲問題何時發生的時間序列關聯，並將它們與當時的網站環境狀態相關聯。
他說：“如果您可以識別模式，則可以對檢測器進行物理更改 - 例如，更換組件。” “希望我們的工具可以闡明物理噪聲耦合途徑，從而可以對Ligo探測器進行可行的實驗更改。我們的長期目標是該工具用於檢測與乾涉儀中未知噪聲問題相關的新關聯和新形式的環境狀態。”
Poyan Goodarzi是一名博士生，與理查森（Richardson）合作，並在論文中合著，強調了公開發布數據集的重要性。
他說：“通常，這樣的數據往往是專有的。” “儘管如此，我們還是設法發布了一個大規模數據集，我們希望在數據科學和機器學習方面進行更多的跨學科研究。”
該團隊的研究得到了授予從通過特殊計劃授予的國家科學基金會（National Science Foundation）使用AI驅動的工具進行發現，重點是應用人工智能/機器學習來解決物理科學中的問題。
來源：ucr
