Ondas gravitacionais habilitadas por IA buscam estrelas de nêutrons binárias com sensibilidade ideal

Esse tipo de observação foi testemunhado pela primeira vez em 2017, com a detecção da fusão da estrela binária de nêutrons (BNS) GW170817. Esse evento histórico não apenas confirmou a existência de ondas gravitacionais geradas por BNS, mas também abriu caminho para uma nova era da astronomia multi-mensageiro. No entanto, a identificação e análise desses sinais complexos exigem métodos computacionais avançados, especialmente para eventos de longa duração e baixa amplitude, que são características comuns das fusões de estrelas de nêutrons.

Diante desses desafios, pesquisadores têm explorado abordagens inovadoras, como o uso de redes neurais, para identificar a presença de sinais nos dados de detectores de ondas gravitacionais. Neste contexto, apresentamos o algoritmo Aframe, uma ferramenta baseada em inteligência artificial (IA) desenvolvida para essa finalidade. O Aframe foi implantado com sucesso na quarta execução de observação (O4) da colaboração LVK (LIGO-Virgo-KAGRA), marcando a primeira pesquisa habilitada por IA a detectar múltiplos buracos negros binários (BBHs) em tempo real.

Este trabalho demonstra que a eficácia da abordagem do Aframe se estende também ao regime de fusões de estrelas de nêutrons binárias (BNS) de menor massa. É a primeira busca habilitada por IA que alcança sensibilidade comparável à dos pipelines de filtros combinados tradicionais, mas com a vantagem de custos computacionais e de latência significativamente mais baixos. Essa otimização é crucial para a análise em tempo real e para o processamento eficiente de grandes volumes de dados gerados pelos observatórios de ondas gravitacionais.

Para lidar com o desafio específico dos sinais BNS de longa duração, que podem ser mais difíceis de detectar devido à sua natureza estendida, a metodologia emprega a heterodinação dos dados. Esse processo permite transformar os dados de forma que a arquitetura de rede neural, originalmente utilizada para detectar BBHs, seja igualmente eficaz para distinguir os sinais de BNS do ruído de fundo. Essa adaptabilidade da arquitetura de rede ressalta a robustez e a versatilidade do Aframe.

Adicionalmente, demonstramos que esta análise pode ser realizada com requisitos computacionais modestos, necessitando de apenas uma única GPU não principal para sua implantação online. Essa eficiência computacional é um fator chave para a escalabilidade e acessibilidade da ferramenta. O design e a adoção de ferramentas de inferência como serviço, por sua vez, possibilitam análises off-line rápidas e eficientes, utilizando um conjunto distribuído de recursos de GPU. Isso abre novas perspectivas para a colaboração científica e para a exploração de dados astronômicos em larga escala.