Учёные тестировали нейросеть, призванную помогать обнаруживать гравитационные волны от сливающихся компактных объектов — чёрных дыр и нейтронных звёзд. В рамках симуляций EasyResNet демонстрировала эффективность, сопоставимую с традиционным методом согласованной фильтрации, а в условиях некоторых типов помех и с учётом физических эффектов, не включённых в расчётные шаблоны, показывала лучшие результаты. При этом системе не требовался обычный дополнительный статистический тест для отсеивания ложных срабатываний.

Современная визуализация сигнала строится на методе согласованной фильтрации: данные детектора сравнивают с набором заранее рассчитанных шаблонов, что позволяет находить слабые сигналы на фоне шума, но требует мощных вычислительных ресурсов. С ростом объёмов данных и чувствительности будущих детекторов нагрузка на вычисления будет расти, в частности в контексте планируемого в Европе Телескопа гравитационных волн.

Однако реальные сигналы не всегда совпадают с имеющимися шаблонами: орбиты могут быть эксцентричными, оси вращения прецессировать, а излучение включать высшие моды. Эти особенности не всегда учитывают в шаблонном наборе. Дополнительные сложности создают кратковременные всплески шума — глитчи, которые могут имитировать признаки астрофизического события.

В предлагаемом подходе согласованную фильтрацию не заменяют полностью нейросетью, а объединяют её с ней. Сначала данные преобразуют в карты, показывающие изменение отношения сигнал/шум во времени, затем карты анализирует EasyResNet: сеть учится распознавать характерные паттерны настоящих сигналов и структуры, возникающие из-за шума или помех.

Ключевое отличие метода состоит в том, что традиционный критерий χ², применяемый для проверки согласования обнаруженного сигнала с ожидаемым шаблоном и для отсеивания глитчей, здесь обходят. Нейросеть учится различать сигналы и помехи по рисунку на картах отношения сигнал/шум.

Авторы провели четыре серии симуляций. В наибольшей заметности преимущества EasyResNet возникали, когда реальные сигналы отличались от предусмотренных шаблонов или данные содержали глитчи: в таких случаях нейросеть сохраняла эффективность на уровне стандартного поиска или превосходила его, причём вычислительная часть была более экономичной.

С точки зрения скорости инженеры отмечают, что обработка одной карты занимала примерно 3 миллисекунды на обычном ЦПУ без специальной оптимизации. Пока что это остаётся проверкой концепции; следующий этап — протестировать EasyResNet на реальных конвейерах поиска гравитационных волн в рамках коалиции LIGO–Virgo–KAGRA и оценить влияние на чувствительность и затраты по сравнению с действующими методами. Разрабатываются более глубокие архитектуры и карты с полной информацией о сигналах.