Een van de projecten die we momenteel doen in het kader van onze samenwerking met het Einstein Telescope programma is om te kijken of we het zwaartekrachtssignaal kunnen behandelen als muziek en daarmee echte van fake signalen kunnen onderscheiden.
Het allereerste signaal wat in 2015 werd gevonden door de huidige generatie zwaartekracht telescopen was een BBHM (Binary Black Hole Merger). Sinds de eerste ontdekking is dat signaal inmiddels circa 90 keer ontdekt. Aangezien een dataset met 90 samples te weinig is om een A.I. goed te trainen, hebben we gebruik gemaakt van een gesimuleerde dataset met 560.000 samples waarbij precies de helft een BBHM is en de andere helft niet. Doel was dus om een A.I. te bouwen met behulp van input features uit de wereld van muziek die nauwkeurig een BBHM kan onderscheiden in de data.
Inmiddels hebben we dit met een 11-tal muziek features uit de Librosa library getest. 2 daarvan bleken te werken. Door deze twee features te gebruiken, halen we nu een betrouwbaarheid van 70% op het correct herkennen van een BBHM (de best practice momenteel is 88% betrouwbaarheid overigens). Echter, we hebben nog circa 50 verschillende muziek features te testen dus we hopen nog flinke stappen te kunnen maken. Daarnaast kunnen we uiteraard nog kijken of we de traditionele methodes combineren met onze nieuwe muziek methode (in een zogenaamde “ensemble” aanpak) waardoor we de betrouwbaarheid dus ook vanuit die 88% omhoog kunnen krijgen.
Wel leuk om te zien dat er dus wel haakjes te vinden zijn in een totaal andere aanpak. Dit is niet meer dan een eerste startpunt. Inmiddels zijn er ook in de praktijk signalen gevonden van een BNSM (Binary Neutron Star Merger) en BHNSM (Black Hole Neutron Star Merger) dus dit model zou in de toekomst dan ook nog naar dit soort signalen uitgebreid moeten worden.
Dank aan Jules Houben voor zijn werk.
#einsteintelescope #boostingalpha
