AI 在几秒钟内解码中子星合并，改变引力波天文学
快速阅读: 据《AZoAI》称，罗德岛大学参与的一项研究开发了一种名为DINGO-BNS的机器学习算法，能在一秒内解析双中子星合并的引力波数据，比传统方法快数千倍。该算法可帮助天文学家快速定位信号源，加速多信使天文学的发展。研究成果发表在《自然》杂志上。
罗德岛大学（URI）
**2025年3月12日**
一种革命性的AI工具如今能够在短短一秒内解析中子星碰撞，为天文学家捕捉宇宙中最难以捉摸的信号提供了决定性的先机，从而以前所未有的方式洞察引力、物质以及宇宙起源。这项研究题为《使用机器学习进行双中子星合并的实时推断》，其图像来源为NASA。
对双中子星合并的观测对于多信使天文学领域的发展至关重要。当这些巨大恒星残骸在数百万光年之外发生碰撞时，会释放出引力波，随后伴随着光的出现。这为研究极端条件下的引力和物质提供了独一无二的机会，并对核物理和宇宙学产生了令人振奋的影响。然而，传统的数据分析方法过于缓慢，无法完全解读这些多信使信号中的引力波。由于信号的长度和复杂性，快速分析对于引导时间敏感的电磁观测至关重要。
在3月5日发表于《自然》杂志的一项研究中，一个跨学科的研究团队提出了一种新方法，该方法利用神经网络来分析来自双中子星合并的引力波。这种方法不仅比传统方法快得多，而且更为精准。它甚至能在中子星合并被完全观测到之前完成这一过程。
“快速而准确地分析引力波数据对于定位合并源并告知天文台对准所有伴随信号至关重要。”德国马克斯·普朗克智能系统研究所的博士生马克斯·米利安·达克斯说，他主导了这项研究。“通过这种方式，我们能比最好的传统方法快数千倍地分析引力波。原本需要一小时的工作，我们现在只需一秒。”
罗德岛大学物理系的兼职教授迈克尔·普勒是这项研究的十位贡献作者之一。他说：“引力波的首次检测——来自黑洞合并——发生在不到十年前，由美国国家科学基金会资助的激光干涉引力波天文台（LIGO）观测到。这导致了LIGO科学合作组织（LSC）的创始人获得诺贝尔物理学奖。两年后，LSC首次观测到了两个双中子星合并产生的引力波。”
“神奇的是，如果你有两个中子星合并，它们也会在电磁波段中发射辐射。”自2013年起便成为LIGO科学合作组织成员的普勒补充道。罗德岛大学自2017年起加入LSC，是罗德岛唯一的成员，也是新英格兰地区少数成员之一。
“这让你能学到很多非常有趣的东西，不仅仅是中子星的质量、中子星的软硬度、旋转速度以及双星的距离等性质。而且我们知道宇宙正在膨胀，观测中子星合并为我们提供了测量这种膨胀的另一种方式。”
然而，为了能够捕捉电磁信号的数据，天文台必须迅速行动并获得准确的结果。在这项名为《使用机器学习进行双中子星合并的实时推断》的研究中，研究人员展示了一个机器学习算法——DINGO-BNS——可以节省分析双中子星合并引力波的时间。（DINGO-BNS代表用于双中子星引力波观测的深度推理。）
该算法能够在大约一秒内全面描述合并中子星的系统。最快的传统方法需要大约一个小时。
“我们必须在不到一分钟的时间里，如果可能的话，几秒内告诉我们的电磁观测伙伴。”普勒补充道，他为算法编写了代码并帮助塑造了这篇论文。“这才是关键所在。如果我们等待太久，合并后的千新星爆炸信号可能会已经衰减，他们可能就找不到它了。同时探测到两种信号是多信使天文学的终极目标。千新星比超新星亮度低，证实了双中子星合并是宇宙中制造重元素如金和铂的关键场所。”
实时方法甚至在双中子星碰撞之前发生，也比当前快速分析算法更准确。机器学习框架仅用一秒钟即可全面描述中子星合并，无需进行可能不够准确的近似，包括快速确定天空位置精确度提高30%，根据该研究显示。
这项研究汇聚了来自德国、英国和美国的研究团队。除了达克斯和普勒，团队还包括诺丁汉大学的斯蒂芬·R·格林；马克斯·普朗克智能系统研究所的雅各布·H·麦基和伯纳德·施勒科普夫；马克斯·普朗克引力物理研究所的阿莱桑德拉·布奥南诺、乔纳森·盖尔和尼哈尔·古普特；卡迪夫大学重力探索研究所的维维恩·雷蒙德；以及图宾根ELLIS研究所的乔纳斯·维尔德贝格尔。
“团队由机器学习专家组成，他们定期将计算机科学领域的前沿方法应用于各种应用领域，还有精通引力波天文学和数据分析的专家。这项研究展示了现代深度学习方法与物理领域知识成功融合的有效性。”普勒说，他是罗德岛大学ITS计算研究中心的计算科学家。
普勒是U²GRC合作组织的成员，这是一个罗德岛大学和马萨诸塞大学的合作项目，包含数十名研究人员，专注于引力波研究。普勒将于今年六月在普罗维登斯计算与实验数学研究所组织科学机器学习研讨会，在那里将继续这项工作的研究。
“DINGO-BNS有望帮助在两个中子星碰撞前后观察电磁信号，并在准备下一代天文台方面发挥重要作用，例如美国的‘宇宙探索者’和欧洲的‘爱因斯坦望远镜’，以揭示超高密度状态下的未知物理。”普勒说。
资料来源：罗德岛大学
期刊参考：
达克斯, M., 格林, S. R., 盖尔, J., 古普特, N., 普勒, M., 雷蒙德, V., 维尔德贝格尔, J., 麦基, J. H., 布奥南诺, A., & 施勒科普夫, B. (2025). 使用机器学习进行双中子星合并的实时推断。《自然》，639(8053)，49-53。DOI: 10.1038/s41586-025-08593-z
https://www.nature.com/articles/s41586-025-08593-z
(以上内容均由Ai生成)
