Физики провели эксперимент по поиску отклонений от Общей теории относительности в гравитационно-волновых сигналах с помощью машинного обучения. В работе использовали реальные данные детектора LIGO H1 и параметры исторического события GW150914 — первого зафиксированного слияния чёрных дыр.
Исследователи создали гибридный классификатор, который обучали различать стандартные сигналы и версии с искусственными искажениями. Силу отклонений задавали параметром бета. При значении бета 0,5 и выше нейросеть работала безошибочно, выявляя внесенные амплитудные, фазовые и частотные модуляции.
При снижении параметра бета до 0,25 точность модели падала до 75 процентов. Когда значение опускалось до 0,2 и ниже, эффективность классификатора снижалась до 51,7 процента, что соответствует случайному угадыванию. Потери модели при обучении составляли около 0,693.
Анализ показал, что нейросеть игнорировала стандартное отклонение и среднеквадратичное значение, оценив их важность в ноль. Модель опиралась на «хвосты» распределения амплитуд. Авторы пришли к выводу, что для обнаружения тонких эффектов нейросети необходимо объединять с методами согласованной фильтрации.
