Cuando las ondas gravitacionales fueron detectadas por primera vez en 2015 por el avanzado Observatorio de ondas gravitacionales con interferómetro láser (LIGO), enviaron una onda a través de la comunidad científica, ya que confirmaron otra de las teorías de Einstein y marcaron el nacimiento de la astronomía de ondas gravitacionales. Cinco años después, se han detectado numerosas fuentes de ondas gravitacionales, incluida la primera observación de dos estrellas de neutrones en colisión en ondas gravitacionales y electromagnéticas.
A medida que LIGO y sus socios internacionales continúen mejorando la sensibilidad de sus detectores a las ondas gravitacionales, podrán sondear un volumen mayor del universo, lo que hará que la detección de fuentes de ondas gravitacionales sea una ocurrencia diaria. Este diluvio de descubrimientos iniciará la era de la astronomía de precisión que tiene en cuenta los fenómenos de los mensajeros extrasolares, incluida la radiación electromagnética, las ondas gravitacionales, los neutrinos y los rayos cósmicos. Sin embargo, lograr este objetivo requerirá un replanteamiento radical de los métodos existentes utilizados para buscar y encontrar ondas gravitacionales.
Recientemente, el científico computacional y líder de inteligencia artificial traslacional (IA) Eliu Huerta del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), junto con colaboradores de Argonne, la Universidad de Chicago, la Universidad de Illinois en Urbana-Champaign, NVIDIA e IBM, ha desarrollado un nuevo marco de IA a escala de producción que permite la detección acelerada, escalable y reproducible de ondas gravitacionales.
Este nuevo marco indica que los modelos de IA podrían ser tan sensibles como los algoritmos tradicionales de coincidencia de plantillas, pero órdenes de magnitud más rápidos. Además, estos algoritmos de IA solo requerirían una unidad de procesamiento de gráficos (GPU) económica, como las que se encuentran en los sistemas de videojuegos, para procesar datos LIGO avanzados más rápido que en tiempo real.
El conjunto de inteligencia artificial utilizado para este estudio procesó un mes completo (agosto de 2017) de datos LIGO avanzados en menos de siete minutos, distribuyendo el conjunto de datos entre 64 GPU NVIDIA V100. El conjunto de inteligencia artificial utilizado por el equipo para este análisis identificó las cuatro fusiones binarias de agujeros negros identificadas previamente en ese conjunto de datos y no informó errores de clasificación.
“Como científico de la computación, lo que me emociona de este proyecto”, dijo Ian Foster, director de la división de Aprendizaje y Ciencia de Datos (DSL) de Argonne, “es que muestra cómo, con las herramientas adecuadas, los métodos de IA pueden integrarse naturalmente en los flujos de trabajo de los científicos, lo que les permite hacer su trabajo más rápido y mejor, aumentando, no reemplazando, la inteligencia humana”.
Con recursos dispares para soportar, este equipo interdisciplinario y multiinstitucional de colaboradores ha publicado un artículo en Nature Astronomy que muestra un enfoque basado en datos que combina los recursos colectivos de supercomputación del equipo para permitir la detección de ondas gravitacionales reproducible, acelerada e impulsada por IA.
“En este estudio, hemos utilizado la potencia combinada de la inteligencia artificial y la supercomputación para ayudar a resolver experimentos de big data oportunos y relevantes. Ahora estamos haciendo que los estudios de inteligencia artificial sean completamente reproducibles, no solo para determinar si la inteligencia artificial puede proporcionar una solución novedosa para los grandes desafíos”, dijo Huerta.
Sobre la base de la naturaleza interdisciplinaria de este proyecto, el equipo espera nuevas aplicaciones de este marco basado en datos más allá de los desafíos de big data en física.
“Este trabajo destaca el valor significativo de la infraestructura de datos para la comunidad científica”, dijo Ben Blaiszik, científico investigador de Argonne y la Universidad de Chicago. “Las inversiones a largo plazo que han realizado el DOE, la National Science Foundation (NSF), los Institutos Nacionales de Estándares y Tecnología y otros han creado un conjunto de componentes básicos. Es posible que podamos unir estos componentes básicos en formas nuevas y emocionantes de escalar este análisis y ayudar a entregar estas capacidades a otros en el futuro”.
Huerta y su equipo de investigación desarrollaron su nuevo marco a través del apoyo de la NSF, el programa de Investigación y Desarrollo Dirigido por Laboratorio (LDRD) de Argonne y el programa Innovative and Novel Computational Impact on Theory and Experiment (INCITE) del DOE.
“Estas inversiones de NSF contienen ideas originales e innovadoras que prometen significativamente transformar la forma en que se procesan los datos científicos que llegan en flujos rápidos. Las actividades planificadas están trayendo tecnología informática acelerada y heterogénea a muchas comunidades científicas de práctica”, dijo Manish Parashar, director de la Oficina de Infraestructura Cibernética Avanzada en NSF.
Fuente: Phys.org.
