Maschinelle Lernmethode könnte die Multi-Messenger-Astronomie revolutionieren
Die Beobachtung von Verschmelzungen binärer Neutronensterne steht ganz oben auf der Wunschliste der Astronomen. Ein interdisziplinäres Team von Forschenden, zu dem ETH-Postdoc Maximilian Dax und Prof. Bernhard Schölkopf gehören, stellt in einer Studie im Wissenschaftsjournal Nature eine neue Methode vor, mit der sich Gravitationswellen, die bei Neutronenstern-Kollisionen abgestrahlt werden, nahezu in Echtzeit analysieren lassen - noch bevor die Verschmelzung vollständig beobachtet werden kann.
Die Verschmelzung zweier Neutronensterne findet Millionen von Lichtjahren von der Erde entfernt statt. Die dabei erzeugten Gravitationswellen zu verstehen, stellt eine grosse Herausforderung für herkömmliche Datenanalyse-Methoden dar. 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 für maschinelles Lernen mit der Bezeichnung DINGO-BNS (Deep INference for Gravitational-wave Observations from Binary Neutron Stars) entwickelt, der kostbare Zeit spart bei der Interpretation von Gravitationswellen, die bei der Verschmelzung zweier Neutronensterne entstehen. Das neuronale Netz braucht nur eine Sekunde, um Systeme verschmelzender Neutronensterne vollständig zu charakterisieren. Die schnellsten herkömmlichen Methoden benötigen dafür etwa eine Stunde.
Warum sind Echtzeitberechnungen wichtig?
Bei der Verschmelzung von Neutronensternen werden neben den Gravitationswellen auch sichtbares Licht (bei der anschliessenden Kilonova-Explosion) und weitere elektromagnetische Strahlung ausgesandt. „Eine schnelle und genaue Analyse der Gravitationswellen-Daten ist entscheidend, um die Quelle zu lokalisieren und Teleskope so schnell wie möglich auszurichten, um alle zugehörigen Begleitsignale zu beobachten“, sagt der Erstautor der Publikation, Maximilian Dax, ehemaliger Doktorand in der Abteilung für Empirische Inferenz am Max-Planck-Institut für Intelligente Systeme (MPI-IS), nun PostDoc an der ETH Zürich und am ELLIS Institut Tübingen.
Die Echtzeit-Methode könnte einen neuen Standard für die Datenanalyse von Neutronenstern-Verschmelzungen setzen und Astronominnen und Astronomen mehr Zeit geben, ihre Teleskope auf die verschmelzenden Neutronensterne auszurichten, sobald die grossen Detektoren der LIGO-Virgo-KAGRA (LVK)-Kollaboration diese Signale aufspüren.
„Die Algorithmen zur Echtzeit-Analyse, die die LVK-Kollaboration derzeit verwendet, verwenden 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 im Potsdam Science Park.
«Eine schnelle und genaue Analyse der Gravitationswellen-Daten ist entscheidend, um die Quelle zu lokalisieren und Teleskope so schnell wie möglich auszurichten, um alle zugehörigen Begleitsignale zu beobachten.»Maximilian Dax, Postdoc an der ETH Zürich und Erstautor der Publikation
Ganz ohne solche Näherungsverfahren charakterisiert die maschinelle Lernmethode Verschmelzungen von Neutronensternen (z. B. ihre Masse, ihre Rotation und ihre Position) in nur einer Sekunde vollständig. Dies ermöglicht es unter anderem, die Position am Himmel um 30 % genauer zu bestimmen. Weil das neuronale Netz derart schnell und genau arbeitet, kann es wichtige Informationen für gemeinsame Beobachtungen der Gravitationswellen-Detektoren und Teleskope liefern. Die Maschinelle Lernmethode 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 verschiedene technische Innovationen entwickeln mussten. Dazu gehört zum Beispiel eine Methode zur Datenkompression, die sich den Ereignissen anpasst“, sagt Stephen Green, UKRI Future Leaders Fellow an der Universität Nottingham. Bernhard Schölkopf, Informatikprofessor an der ETH Zürich sowie Direktor der Abteilung für Empirische Inferenz am MPI-IS und des ELLIS Instituts Tübingen, 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.
Die Ergebnisse des Papiers “Real-time inference for binary neutron star mergers using machine learning” wurden am 5. März 2025 im Wissenschaftsjournal Nature veröffentlicht. externe Seite Artikel lesen.
Literaturhinweis
Maximilian Dax (1,2,3), Stephen R. Green (4), Jonathan Gair (5), Nihar Gupte (5,6), Michael Pürrer (7,8), Vivien Raymond (9), Jonas Wildberger (3), Jakob H. Macke (1,10), Alessandra Buonanno (5,6) and Bernhard Schölkopf (1,2,3)
1 Max Planck Institute for Intelligent Systems, Tübingen, Germany. 2 ETH Zurich, Zurich, Switzerland. 3 ELLIS Institute Tübingen, Tübingen, Germany. 4 School of Mathematical Sciences, University, of Nottingham, Nottingham, UK. 5 Max Planck Institute for Gravitational Physics (Albert Einstein Institute), Potsdam, Germany. 6 Department of Physics, University of Maryland, College Park, MD, USA. 7 Department of Physics, University of Rhode Island, Kingston, RI, USA. 8 Center for Computational Research, University of Rhode Island, Kingston, RI, USA. 9 Gravity Exploration Institute, Cardiff University, Cardiff, UK. 10 Machine Learning in Science, University of Tübingen & Tübingen AI Center, Tübingen, Germany.
DOI 10.1038/s41586-025-08593-z