Pulsary, wirujące gwiazdy neutronowe emitujące falowe elektromagnetyczne z zegarmistrzowską precyzją, od lat są obiektem intensywnych badań. Ich regularne sygnały pozwalają nie tylko testować ogólną teorię względności, ale również polować na fale grawitacyjne, które są aktualnie jednym z głównych przedmiotów badań. Jednak aby w pełni wykorzystać potencjał pulsarów jako kosmicznych zegarów, potrzebne są ekstremalnie precyzyjne pomiary, z których zapewne najważniejszy jest czas przybycia każdego impulsu, tzw. TOA (time of arrival).
Pojedyncze impulsy pulsarów nie są jednak identyczne; różnią się kształtem, jasnością, szerokością itp. Dotychczas astronomowie uśredniali więc tysiące pojedynczych impulsów, by uzyskać czysty sygnał i dopasować go do wzorca. To podejście działa, ale ma swoje ograniczenia. Gdy bowiem uśrednia się wiele z nich, zmienność ta powoduje tzw. szum drganiowy (jitter noise), który często zwiększa błąd pomiaru TOA do poziomów, które dyskwalifikują przydatność danego pomiaru. Zespół badaczy z Rochester Institute of Technology i West Virginia University, kierowany przez Sofię V. Sosa Fiscella, zaproponował jednak innowacyjne wykorzystanie algorytmów uczenia maszynowego do rozwiązania tego problemu.
Kilkaset pulsów pulsara J2145−0750 w paśmie 820 MHz zmapowanych w trójwymiarowej przestrzeni, gdzie osie to amplitudę, szerokość i energia. Adnotacja: jednostki są arbitralne, tj. nie mają konkretnej wartości fizycznej i służą w tym przypadku jedynie jako narzędzie porównawcze.
Zamiast bezkrytycznego uśredniania wszystkich impulsów, badacze przeprowadzają indywidualną analizę każdego z nich, klasyfikując je na podstawie wspólnych cech, takich jak amplituda, szerokość i energia. Do tego podziału wykorzystano algorytmy klastrowania nienadzorowanego takie jak K-means oraz OPTICS, które automatycznie grupują dane o podobnych cechach bez wcześniejszej wiedzy o ich kategoriach. W ten sposób udało się wyodrębnić impulsy o podobnej morfologii i stworzyć dla nich indywidualne wzorce. Każda grupa została następnie osobno dopasowana do wzorca, a otrzymane czasy przybycia zestawiono i uśredniono z odpowiednimi wagami.
Testy przeprowadzono na jednym z najlepiej znanych i jasnych pulsarów – PSR J2145−0750 – obserwowanym przez teleskop Green Bank. Dzięki AI uzyskano TOA z błędem zaledwie 0,057 mikrosekundy, co stanowi 14% poprawy względem klasycznej metody. W przypadku obserwacji z większym zakłóceniem radiowym (paśmie L, czyli w zakresie częstotliwości około 1,4 GHz, które jest bardziej podatne na owe nieprawidłowości), poprawa była jeszcze bardziej znacząca – aż 37%.
Nowa metoda okazała się wyjątkowo skuteczna w przypadku jasnych, dobrze widocznych pulsarów, ale również tam, gdzie większość impulsów ma niską jakość. Jednak jej skuteczność spada, gdy dane są zbyt „zaszumione”, tj. w skrajnych przypadkach – w takowych AI poprawna klasyfikacja impulsów sprawia trudność. Technika ta otwiera drogę do bardziej precyzyjnego wykorzystania pulsarów w detekcji fal grawitacyjnych, szczególnie tych o bardzo niskich częstotliwościach, na które poluje m.in. znany projekt NANOGrav. Dzięki AI być może uda się także poprawić pomiary dla słabszych pulsarów, które do tej pory nie były wystarczająco dokładne.
