Penggunaan Deep Learning dalam Membantu Mendeteksi Gelombang Gravitasi

Pencarian objek-objek alam semesta menjadi suatu hal yang sangat penting dalam membuktikan kebenaran dari sebuah teori astronomi.

Pada 27 Desember 2017 terbit makalah di jurnal ScienceDirect yang ditulis oleh Daniel George & E.A.Huerta, berjudul “Deep learning for real-time gravitational wave detection and parameter estimation: Results with advanced LIGO data“. Mereka berdua merupakan ilmuwan dari National Center for Supercomputing Applications (NCSA), yang terletak di Universitas Illinois, Urbana Champaign. Dalam makalahnya menyatakan bahwa mereka telah menggunakan Deep Learning (belajar dalam) pada GPU-accelerated untuk mendeteksi dengan cepat dan karakteristik-karakteristik yang dimiliki oleh Gelombang Gravitasi. Dari hasil tersebut sangat membantu para astronom dalam mempelajari Gelombang Gravitasi dengan menggunakan proses komputasi yang minimal, mempercepat proses penemuan, dan meningkatkan kelimiahan dalam proses pendeteksiannya oleh karena faktor-faktor gangguan seperti gelombang-gelombang dari bukan sumber penggabungan lubang hitam.

Deep Learning merupakan salah satu dari cabang Kecerdasan Buatan (Artificial Intelligence, AI) yang mampu belajar secara mendalam karena banyaknya jumlah lapisan tersembunyi (hidden layer) pada neuron. Berbeda dengan Jaringan Saraf Konvensional yang hanya terdiri dari 1-2 lapisan tersembunyi saja[7][8]. Penelitian yang mereka lakukan dengan menggunakan algoritma Deep Learning pada simulasi numerik teori relativitas dari penggabungan lubang hitam dengan menjalankan simulasi pada superkomputer Blue Waters. Dan, dengan data dari LIGO Open Science Center para peneliti membuat Deep Filtering (penyaringan dalam) dengan sebuah metode pemroses sinyal (signal processing) yang bersifat end-to-end time series. Dengan menerapkan Deep Filtering dapat dicapai kepekaan yang sama dengan metode algortima yang sudah ada, tapi dengan tingkat kesalahan lebih rendah sekaligus menjadi lebih efisien dalam proses komputasi dan lebih tahan terhadap gangguan yang berupa anomali kebisingan (noise).

Sumber: