KI findet verschmelzende Neutronensterne in Echtzeit
Neuronales Netz registriert Gravitationswellensignale frühzeitig und zeigt Teleskopen, wo sie am Himmel fahnden müssen
Wenn zwei Neutronensternen verschmelzen, breiten sich Gravitationswellen ins All aus. Kurz auf diese Erschütterung der Raum-Zeit folgt eine gleißende Explosion - eine Kilonova, in der wie in einer kosmischen Goldschmiede eben jene besonders schwere Atome entstehen, die Sternenküchen nicht hervorbringen können. Kilonovae äußern sich in vielen verschiedenen Facetten, die Astronominnen und Astronomen bestens ermöglichen, Schwerkraft und Materie unter Extrembedingungen zu untersuchen. Aber sie sind selten und schnell vorbei. Damit Gravitationswellendetektoren und Teleskope eine Chance haben, solche Signale zu finden, sind Schnelligkeit und Präzision gefragt. Ein interdisziplinäres Forschungsteam nutzt maschinelles Lernen, um die Daten von Gravitationswellendetekoren blitzschnell zu analysieren und eine Neutronensternkollision am Himmel zu finden, noch bevor die nachfolgende Explosion schon im vollen Gange ist.
Neutronensterne sind exotische und extrem kompakte Sternenüberreste. Nur schwarze Löcher haben eine höhere Massedichte. Während schwarze Löcher, die aufeinanderprallen, nur durch die dabei abgestoßenen Gravitationswellen erkennbar sind, durchflutet bei Neutronensternverschmelzung kurz darauf ein Lichtblitz beinahe das gesamte elektromagnetische Lichtspektrum. Solche Kilonovae finden Millionen von Lichtjahren von der Erde entfernt statt. Das Ziel ist es, diese ausfindig zu machen, noch bevor Teleskope sie bereits sehen können: Ihr Gravitationswellensignal muss also so schnell wie möglich in dem Datenstrom entsprechender Instrumente gefunden werden. Das bedeutet eine große Herausforderung für herkömmliche Datenanalyse-Methoden. Diese Signale umfassen bei derzeitigen Detektoren einige Minuten und bei zukünftigen Observatorien möglicherweise Stunden bis Tage an Daten. Die Analyse solch umfangreicher Datensätze ist rechenintensiv und zeitaufwändig.
Ein internationales Team von Wissenschaftlerinnen und Wissenschaftlern hat einen Algorithmus des maschinellen Lernens entwickelt, der diese Aufgabe übernimmt: Dingo-BNS (Deep Inference for Gravitational-wave Observations from Binary Neutron Stars). Er spart kostbare Zeit bei der Interpretation von Gravitationswellen, die bei der Verschmelzung zweier Neutronensterne entstehen. Die Forschenden trainierten dazu ein neuronales Netz, um Systeme verschmelzender Neutronensterne in rund einer Sekunde vollständig zu charakterisieren. Die bisher schnellsten Methoden benötigen dafür noch etwa eine Stunde.
Warum sind Echtzeitberechnungen wichtig?
Nachdem Neutronensternen verschmelzen, entsteht nach dem Gravitationswellensignal auch unter anderem sichtbares Licht während der anschließenden Kilonova-Explosion. „Eine schnelle und genaue Analyse der Gravitationswellen-Daten ist entscheidend, um die Quelle zu lokalisieren und Teleskope so schnell wie möglich auszurichten und alle zugehörigen Begleitsignale zu beobachten“, sagt Maximilian Dax, Doktorand in der Abteilung Empirische Inferenz am Max-Planck-Institut für Intelligente Systeme. Kilonovae gelten als heiliger Gral der Multi-Messenger Astronomie, einer Disziplin, bei der verschiedenste Detektoren ein astronomisches Ereignis analysieren, um die Physik dahinter aus allen möglichen Blickwinkeln heraus zu betrachten und sich ein möglichst lückenloses Bild zu machen.
Zwei verschmelzende Neutronensterne enden in einer gleißenden Kilonova
Die Echtzeit-Methode könnte einen neuen Standard für die Datenanalyse von Neutronenstern-Verschmelzungen setzen und Astronominnen und Astronomen mehr Zeit geben, ihre Teleskope auszurichten, sobald die großen Gravitationswellendetektoren der Ligo-Virgo-Kagra Kollaboration diese Signale aufspüren. „Die Algorithmen zur Echtzeit-Analyse, die die Kollaboration derzeit verwendet, beruhen auf Näherungen, die auf Kosten der Genauigkeit gehen. Unsere neue Studie behebt diese Schwächen“, sagt Jonathan Gair, Gruppenleiter in der Abteilung Astrophysikalische und Kosmologische Relativitätstheorie am Max-Planck-Institut für Gravitationsphysik in Potsdam.
Ganz ohne solche Näherungsverfahren charakterisiert die maschinelle Lernmethode Verschmelzungen von Neutronensternen, darunter deren Masse, Rotation und Position, in nur einer Sekunde vollständig. Dies ermöglicht es unter anderem, die Position am Himmel um 30 Prozent genauer zu bestimmen. Weil das neuronale Netz so schnell und genau arbeitet, kann es wichtige Informationen für gemeinsame Beobachtungen von Gravitationswellen-Detektoren und anderen Teleskopen liefern. Es kann helfen, nach sichtbarem Licht und anderen elektromagnetischen Signalen zu suchen, die bei der Verschmelzung entstehen, und dabei die teure Beobachtungszeit der Teleskope bestmöglich zu nutzen.
Verschmelzende Neutronensterne auf frischer Tat ertappen
„Die Analyse der Gravitationswellen von Doppelneutronensternen ist besonders anspruchsvoll, sodass wir für Dingo-BNS erst verschiedene Komponenten entwickeln mussten. Dazu gehört zum Beispiel eine Methode zur Datenkompression, die sich den Ereignissen anpasst“, sagt Stephen Green, Fellow an der Universität Nottingham. Bernhard Schölkopf, Direktor der Abteilung Empirische Inferenz am Max-Planck-Institut für Intelligente Systeme, ergänzt: „Unsere Studie zeigt, wie effektiv es ist, moderne maschinelle Lernmethoden mit physikalischem Fachwissen zu kombinieren.“
Dingo-BNS könnte eines Tages helfen, elektromagnetische Signale vor und zum Zeitpunkt der Kollision zweier Neutronensterne zu beobachten. „Solche frühen Multi-Messenger-Beobachtungen könnten neue Erkenntnisse über den Verschmelzungsprozess und die anschließende Kilonova liefern, die immer noch nicht vollständig verstanden sind“, sagt Alessandra Buonanno, Direktorin der Abteilung Astrophysikalische und Kosmologische Relativitätstheorie am Max-Planck-Institut für Gravitationsphysik.
