Direkt zum Inhalt

Deep Learning: Künstliche Intelligenz jagt Gravitationswellen

Tausendfach schneller und unempfindlich gegen Störungen: Neuronale Netze sollen die Suche nach Gravitationswellen revolutionieren. Doch was kann die KI wirklich leisten?
Gravitationswellen

Wenn Schwarze Löcher verschmelzen, verwandeln sie die Masse dutzender Sterne in einen Puls reiner Energie, der die Raumzeit selbst – millionenfach steifer als die härteste Materie – aufwühlt wie ein Sturm das Meer. Die Wellen durchqueren Galaxien sowie die Leerräume dazwischen und treffen auf die ausgebreiteten Arme der Gravitationswellendetektoren, vier Kilometer lange Tunnel, die im rechten Winkel zueinander stehen. An deren Enden hängen zwei auf den Nanometer präzise hergestellte Spiegel, und wenn die unvorstellbare Energie der sich ineinander spiralförmig drehenden schwarzen Löcher sie trifft, schwingen sie vor und zurück – um ein Zehntausendstel des Durchmessers eines Atomkerns.

Die Raumzeit ist aber nicht das Einzige, was den Spiegel schwingen lässt. Die Atome seiner Halterung zittern, Gasatome im Tunnel rammen die Apparatur, die Beschichtung des Spiegels selbst summt mit Restwärme, die einzelnen Laserphotonen stupsen permanent gegen den Reflektor, und sogar das unregelmäßige Schwerefeld der Erde beeinflusst die Messung: Die winzigen Signale drohen im Rauschen unterzugehen.

Dabei enthalten die Daten nicht weniger als eine Revolution: Die Gravitationswellenastronomie hat das Fenster zu einem Universum aufgestoßen, das weitgehend unsichtbar ist. Viele der rätselhaftesten Phänomene der Astronomie senden kaum elektromagnetische Strahlung aus, aber dafür immense Energie in Form von Gravitationswellen. Fachleute hoffen auf ganz neue Erkenntnisse über Schwarze Löcher, Neutronensterne und Dunkle Materie – und damit einen Blick auf Vergangenheit und Zukunft des Kosmos selbst. Wenn man die Botschaften vom Rauschen trennen kann.

Aufwändige Algorithmen filtern die Signale aus den zufälligen Schwankungen der Detektorspiegel. Stand der Technik ist ein Verfahren namens »matched filtering«, zu Deutsch Korrelationsfilter, bei dem ein Computer das Detektorsignal immer und immer wieder mit einem ganzen Katalog von Gravitationswellensignalen vergleicht und berechnet, wie ähnlich sich beide sind. Der Rechenaufwand ist immens. Bisher dauert eine vollständige Analyse der Signale bis zu mehreren Tagen. Bald aber könnte das weit schneller gehen.

Tiefes Lernen gegen das Rauschen

Das glaubt zumindest Daniel George von der University of Illinois – er setzt auf Deep Learning, eine Klasse künstlicher Intelligenz. Der Forscher lässt keinen Zweifel daran, dass der Ansatz – und insbesondere seine eigene Arbeit zusammen mit dem Institutskollegen Eliu Huerta – bisherigen Analyseverfahren dramatisch überlegen ist. Die KI soll die Daten schneller durchforsten, als der Detektor sie liefert, und ihnen binnen Millisekunden Informationen entreißen, die sie heute nur mit Mühe oder gar nicht preisgeben.

»Matched filtering« sei langsam, eingeschränkt und fehleranfällig, bemängelt George. Als Beispiel dafür zitiert er ausgerechnet den spektakulärsten Erfolg der Gravitationswellenastronomie, das Signal GW170817, ausgelöst durch zwei Neutronensterne im Todestanz. Anhand der Daten von LIGO, VIRGO und einem gleichzeitig in der fraglichen Himmelsregion beobachteten Gammablitz beobachtete man bald darauf das erste elektromagnetische Nachleuchten eines Gravitationswellenereignisses.

© Max-Planck-Institut für Gravitationsphysik (Albert-Einstein-Institut)
Kollidierende Neutronensterne erzeugen Gravitationswellen

Aber: »Die gegenwärtigen automatischen Methoden verpassten das Ereignis erst komplett«, so George. Schuld war ein »Glitch«, ein Störsignal in einem der Detektoren selbst. Deswegen habe sich die Identifizierung des Signals verzögert, was dazu beitrug, dass sie das elektromagnetische Gegenstück zu GW 170817 erst mit zehn Stunden Verspätung systematisch beobachteten. Mit künstlicher Intelligenz, legt George anhand seiner Forschungsergebnisse nahe, wäre es schneller gegangen. Sie sei mindestens tausendfach schneller und könne solche Störsignale erkennen und ignorieren.

Vorbild der KI ist das menschliche Gehirn: Die beteiligten Arbeitsgruppen setzen auf Deep Learning, bei dem ein neuronales Netz lernt, indem es sich immer neu verdrahtet. Ein neuronales Netz simuliert Schichten von Nervenzellen, die in komplexer Weise miteinander verbunden sind. Das Netz lernt, indem es Verbindungen zwischen den simulierten Neuronen stärkt oder schwächt.

Schneller als in Echtzeit

Veränderungen, durch die das Netz Gravitationswellensignale zuverlässiger aus dem Datenwust fischt, werden bevorzugt und im nächsten Veränderungsschritt beibehalten. Netze, die so ein Training absolviert haben, sind oft extrem effektiv darin, Muster zu erkennen. Sie könnten die Suche nach Gravitationswellen revolutionieren.

George und Huerta haben 2017 gleich mehrere Untersuchungen über die Leistungsfähigkeit neuronaler Netze für die Gravitationswellenforschung veröffentlicht. Die Daten legen nahe, dass ihre auf Deep Learning basierende künstliche Intelligenz um das Tausend- bis Zehntausendfache schneller ist als »matched filtering« – und mit Leichtigkeit über dessen Möglichkeiten hinausgeht. So schreiben die beiden Wissenschaftler in einem im November 2017 veröffentlichten Paper, dass ihr neuronales Netz reale Gravitationswellensignale in Detektordaten identifizieren kann und gleichzeitig auch die Massen der beteiligten Objekte bestimmt.

Teile der Fachgemeinschaft sind von der – in den Worten von KI-Forscher Daniel George – »umwälzenden Wucht des Deep Learning« für das Aufspüren von Gravitationswellenereignissen aber noch nicht völlig überzeugt. Eine »interessante Reise« sei es gewesen, diese Ergebnisse zu etablieren, so der Forscher.

Skeptisch ist zum Beispiel Kipp Cannon von der Universität Tokio. Er ist der Entwickler des auf »matched filtering« und statistischen Analysen basierenden Programms GstLaL, das bereits jetzt Gravitationswellendaten nach Signalen durchforstet und bei Bedarf Alarm gibt. GstLaL identifizierte unter anderem das Signal der kollidierenden Neutronensterne schnell genug, um Teleskope auf die Quelle zu richten. Neuronale Netze sind für ihn nicht das Hexenwerk, das der Begriff »künstliche Intelligenz« nahelegt. Deep Learning und »matched filtering« seien zwei unterschiedliche Verfahren, um ein im Grunde einfaches mathematisches Problem anzugehen.

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.

Schreiben Sie uns!

1 Beitrag anzeigen

Wir freuen uns über Ihre Beiträge zu unseren Artikeln und wünschen Ihnen viel Spaß beim Gedankenaustausch auf unseren Seiten! Bitte beachten Sie dabei unsere Kommentarrichtlinien.

Tragen Sie bitte nur Relevantes zum Thema des jeweiligen Artikels vor, und wahren Sie einen respektvollen Umgangston. Die Redaktion behält sich vor, Zuschriften nicht zu veröffentlichen und Ihre Kommentare redaktionell zu bearbeiten. Die Zuschriften können daher leider nicht immer sofort veröffentlicht werden. Bitte geben Sie einen Namen an und Ihren Zuschriften stets eine aussagekräftige Überschrift, damit bei Onlinediskussionen andere Teilnehmende sich leichter auf Ihre Beiträge beziehen können. Ausgewählte Zuschriften können ohne separate Rücksprache auch in unseren gedruckten und digitalen Magazinen veröffentlicht werden. Vielen Dank!

Partnerinhalte

Bitte erlauben Sie Javascript, um die volle Funktionalität von Spektrum.de zu erhalten.