重力波を見つけるAIの研究
今回は、重力波を1秒で見つけるAIの登場ということで、AIが重力波天文学、そして時間領域天文学っていうところを新たに切り開いていく、そんな研究の内容をお話ししていきたいと思います。
今回のこの研究は、僕がやっていたところのかなり先にありそうっていうところで、まあAI使ってるし、ワクワクする内容だなぁというのもあるので、こちら、最後までぜひ楽しんで聞いていただけたらと思います。それでは行きましょう。
改めまして始まりました、佐々木亮の宇宙話。このチャンネルでは、1日10分宇宙時間をテーマに天文学で白紙語を取得した専門家の亮が、毎日最新の宇宙トピックをお届けしております。
今日でエピソードが1613話目迎えてますね。 基本的には1話完結でお話ししているので、気になるトピック、気になるタイトルからぜひ聞いていただけたら嬉しいなと思っております。
まあ1個1個分かれているよとはいえですね、今日のエピソードは、昨日のを聞いてもらえるとより楽しめる内容にはなっているかなと思いますね。
というのも、重力波をすぐ検知することっていうのがどれだけ重要なのかっていう。
今日のエピソードで話すそのAIの性能っていうのが、1秒、最速で1秒で重力波を童貞できるっていうところの能力をアピールする研究になっているので、こちらですね。
昨日のエピソードを聞いてもらうと、その重要性っていうのがより伝わるんじゃないかなと思っているので、ぜひぜひそちらも楽しんでいただけたらと思いますね。
ということで、じゃあ早速本題行きましょうか。忘れないうちに月のお話ししときましょうかね。
最近忘れちゃうからね。毎回なるべくお届けしようとしている月齢のお話です。
本日のエピソード3月の12日となっております。2025年3月の12日。次の満月が14日になるので、あと2日で満月ですね。
だからもうほとんど丸く見えてて、明日ぐらいかな。明日ぐらいにはもう、なんかあれ満月じゃないって言ってる人がちらほら出てくるかなっていうぐらい。
だからこう、ポッドキャスト聞きながら月見上げてくれたらいいかなと思いますね。
で、今実際にXの方でね、ハッシュタグ宇宙話とかって調べてもらうと、宇宙話のリスナーの仲間がですね、超綺麗な月の写真とか上げてたりするんで、
まあそういうのを合わせて楽しんでもらえると、なんかポッドキャストいい感じに入り込めるんじゃないかなと思いますね。
ということで、じゃあ本題行きましょうか。 今回お話しするのはAIがわずか1秒で重力波を発見していく、一体どんなところになっているのかお話ししていきたいと思います。
今回の研究は世界的にインパクトのあるNatureと呼ばれる論文誌に紹介されている内容ですね。
で、こちらの論文の見出しが、リアルタイムインフルエンスフォーバイナリーニュートロンスターマージャー ユーゼィングマシンラーニングという、
まあシンプルなタイトルでめちゃめちゃいいなって感じですね。リアルタイムインフルエンスフォーバイナリーニュートロンスターマージャーなんで、
ニュートロンスター、中性子性同士がこう連成になってぐるぐる回っていて、でそれがまあ合体して、
で、合体するところをマシンラーニング、機械学習っていうAIの一部ですね。これを使ったリアルタイム検知みたいなところができるようになるよっていう、そんなお話です。
で、これ重力波を検知するための今回、手法っていうのが新たにNatureに載せられたっていうイメージですね。
なんかこうやって手法が確立されたっていうところが一番まあ大きいアピールポイントにも関わらず、こうやってNatureに載ってるっていうのはなかなか面白い研究内容だなと思いますね。
で、今回新しく作られたフレームワークっていうのがDingo BNSというモデルですね。機械学習のフレームワークっていうのを開発したと。
で、Dingo BNSっていうのは、なんかBNS、これバイナリーニュートロンスター、連成中性指定の略ですね。
Dingoはね、Dingoはなんかね、あんまちゃんと見つけられなかったですね。でもなんかこう、重力波を検知する装置たちがバー号とか、あとはライ号とかっていう風になってるんで、
BingoのIGOの部分は絶対グラビテーショナルなんですよね。まあまあそんな感じです。
で、これどういうメリットがあるのかっていうところで言うと、合体するタイミングっていうのをすぐに見つけられる。
だいたいDingo BNSっていうのは約1秒で、バイナリーニュートロンスターの位置の推論っていうのを実行することができると。
しかもこれまでは、精度っていうの、これね、なるべく早く重力波が発生していることを検知したいというところになっているので、
今までは、まあある程度精度っていうのはまあまあまあぐらいで、とりあえずその時間を優先して、このぐらいの確率だからみんな見た方がいいよみたいな風にドンって出していくっていう感じだったんですよね。
なので、不発に終わることもある程度許容しましょうみたいな、そういった扱いでした。
ただ、今回はそういった推論で犠牲にしていた精度っていうのを犠牲にすることなく、一応1秒っていう非常に早いタイムスケールで天体を検知することができると。
で、しかも今回のこのDingo BNSっていうのが、達成したもう1個重要なポイントっていうのは、位置の特定ですね。
重力波っていうのは、まあなんだろうな、空間がぐにゃぐにゃ歪んでいるから、なかなか正確な位置っていうのを捉えることが難しいんですよ。
だから、重力波の天体源っていうのがどこにあるかっていうのは、実はすごい、本当、満月とかよりも確か広いぐらいの範囲ですね。
それぐらいの範囲で、あっちら辺にあるよ、みたいな。で、それがだんだんデータが整ってきて、ちょっとずつ絞られていったりとか、
あとは、それこそここに、ここら辺に重力波の天体源があるっていうふうに分かったら、そっちに向かってみんなの望遠鏡が向いたことで、
このエリアは、この時間はこれだけ光ってなかったよ、みたいな。っていうので、だんだん制限をかけていくとかね。
で、詳しく解析していって、位置をどんどん特定していっていくとか、っていうような感じだったんですけど、
その重力波の天体源の位置を検知する精度っていうのも、今回これ30%かな、っていうのの改善を見せることに成功したというようなところですね。
で、このメリット、合体前、もう合体するぞ、みたいな重力波を強く出し始めたぐらいの時から、
合体前からなるべく正確な位置を特定することもできるし、近似的なアプローチに比べて、これまで使われてたアプローチに比べて30%の位置の特定。
つまり、無駄なところを他の人に観測させないように工夫することができるみたいな状態ですよね。
観測の効率化
っていうところを達成することができたと。
それに加えて、この機械学習のAIが最後に返してくれる情報っていうのは、他の望遠鏡たちも、ここに重力あるよって言われたら、全員が全員、全てを投げ打ってそこを観測するっていうのはやっぱりできないんですよね。
なぜなら、それぞれの望遠鏡たちにも、達成しなきゃいけない科学目標があって、
で、その科学目標を達成するためにスケジュールが組まれていて、で、なんなら、その科学目標を達成するためにお金が振り分けられて打ち上げられているわけですよ。
だから、重力波の天体を追加で観測するっていうのは、ある程度、見る価値があるよっていうのがわかる。
ちゃんとそこが見積もられている状態じゃないと、やっぱり動かしづらいっていうのもあったりするんですよね。
なので、今回のこのDingo BNSっていうのは、他の望遠鏡の貴重な使用時間の優先順位を決めるための詳細な情報っていうのを渡してくれると。
つまり、これぐらい見る価値あるよみたいな、その精度が上がって、さらに短い時間で分析が結果が出るようになっただけじゃなくて、
それがどれぐらい確からしくて、どれぐらい面白い天体なのかみたいなところを、ちゃんと僕らに与えてくれると。
観測者側に与えてくれるみたいな感じですね。
それによって、じゃあ見るか見ないかっていうのを決めましょうっていう、そんな材料っていうのが提供されると。
これがあることによって、早く正確にとれるAIのモデルが、自分たちの重力波を検知するパワーを上げただけじゃなくて、
周りみんなをハッピーにさせるための情報まで提供してくれるという、そんな感じですね。
これ実際のデータ、過去に検知することに成功しているイベントですね。
論文中だと、GW170817っていう、2017年に見つかったグラビテーショナルウェーブと、190425っていう19年に見つかったグラビテーショナルウェーブ。
AIによる重力波検出の進展
それぞれの検知の結果っていうところで、データの整合性をとるっていうところが行われて、ある程度精度を担保されたみたいな、そんなようなイメージですね。
なので、単純な絵空事っていうわけではなくて、学習のイメージとしては、機械学習のモデルをシミュレートされた中性質性の重力波の動きっていうところをベースに学習して、
事前のトレーニングをしてあげて、AIの学習能力っていうのを育ててあげて、育ててあげたものっていうのをデータの加工をしてあげて、
で、実際にどれぐらいの精度が出るのかっていうのをまたシミュレーションのデータで検証すると。
で、最終的には実際に観測することに成功した天体のデータにも当てはめて、いい感じの精度が出ていることも確認しているという風になってるんで、
今の世の中で使われているそのAIの流れって、こういうちゃんと学習させて自分のモデルを構築してっていうような、なんか機械学習とかっていうようなアプローチって、
なんかあんまり注目されにくくなってたりするんですよね。
なぜならLLMっていう僕らが直感的に理解しやすい、使いやすいそのAIモデルが対等しすぎちゃってて、
そういったいわゆる王道のAIみたいなのが注目されにくくなっている。
そんな中でちゃんと固い手堅いモデルを作って、ちゃんと検証もして使えるものだっていうのが分かっているからこそ、
こういったシミュレーションをベースにした手法の提案だけで、Natureの論文になっているっていうところがポイントなのかなと思いますね。
あとはNatureに乗るっていうポイントとしては、重力派天文学以外のところにも恩恵があるっていう、
幅広い科学全般に対する恩恵っていうのをちゃんと作れているっていうところが評価されているポイントかなと思うんで、
この研究の内容が実際にLIGOっていうアメリカの装置だったりとか、あとはイタリアのVARGOですね。
そして日本のカグラ。日本のカグラはノトハン島の震災の時だったかな。
だからちょっと装置がずれちゃって、また調整の期間に入ってるっていうので活躍するのちょっと先になりそうな気もするんですけど、
けどそこら辺で使われることをちょっと期待していきたいなというそんな内容ですね。
これからこういったなんか手堅い手法っていうのが、手堅いけどちゃんとAIを活用できてるっていう手法っていうのが
どんどんどんどん広がっていきそうなので、このあたりちょっと注目していきたいポイントかなと思っております。
次回の予告とAIに関する重要な話題
ということで今回の内容は以上ですね。
次回何の話しようかなっていうと、今日AIをどう使っていくのかみたいな話したじゃないですか。
そもそもAIの研究をガーッて進めるためには十分なコンピューターのパワーっていうのが必要なんですよね。
ただAIを推進するために必要なそのコンピューターのパワーっていうのを学術分野でなかなかカバーしきれていない。
その賄うことができてなくてちょっと今世界中でしわ寄せが起きちゃってるよみたいな。
そんなのがNatureのコラムみたいなところに書かれていたので、そういったAIの研究に関するお話をさせていただきたいなと思っております。
ぜひ明日のエピソードも楽しみにしておいてください。
アフタートークでーす。
はい、ということで本日も配信しながらポッドキャストの収録させていただいております。
これ配信のスタイルはXのスペース開きながらっていうところと、あとはYouTubeのライブですね。
こちらも同時に展開してますんで、皆さん好きなところから聞いてくれたらいいかなと。
その内容がそのままポッドキャストで開かれているというような状態ですね。
なのでなんかこう、いろんなところで見つけてもらえる機会を増やそうかなと思っての取り組みになってますんで、ぜひぜひ見つけてくれたら嬉しいです。よろしくお願いします。
でね、明日しゃべるか。
明日しゃべろうか。
昨日、今日今回か。今回と明日でAIの話がっつりしてるじゃないですか。
3月の28日に、AIを事業活用、ビジネスで使いましょうっていうような、ちょっとプログラミングの内容とかも入った書籍ですね。
こちらは高段社から出版させていただくんですけど、それの制作は無事終了したというようなところの連絡が昨日入りまして、ようやく肩の荷が下りたなみたいな。
そんな感じなんで、そこら辺の気持ちとかをちょっと明日のエピソードとかで話せたら面白いかもしれないですね。
とにかくちょっとずつ仕事が片付いて、また新しい仕事が始まってみたいな。そんなの繰り返しになっていきそうなんで、ここから頑張っていきたいなと思っております。よろしくお願いいたします。
今回の話も面白いなと思ったら、お手元のPodcastアプリでフォロー、フォローボタンの近くにある星マーク、こちらでレビューいただけたら嬉しいです。
今年の1月8日に発売しました書籍、やっぱりYouTubeはすごい絶賛発売中になっております。
この近くの本屋さんで、SB新書の棚とか、新書の棚で探していただけたら見つかるんじゃないかなと思いますんで、ぜひ手に取っていただけたら嬉しいです。
それではまた明日お会いしましょう。さよなら。
