Một nghiên cứu mới được xuất bản trên tạp chí Physical Review Letters mô tả phương pháp trích xuất thông tin từ các hệ sao neutron đôi và hệ hố đen đôi thông qua xử lý dữ liệu sóng hấp dẫn bằng máy học.
Kể từ lần phát hiện đầu tiên vào năm 2015, sóng hấp dẫn đã trở thành công cụ quan trọng trong nhiều ngành nghiên cứu: từ vũ trụ sơ khai, giới hạn của thuyết tương đối rộng, đến sự sát nhập của hai thiên thể trong một hệ đôi (gồm hai vật thể có khối lượng lớn như hố đen hay sao neutron quay quanh nhau).
Các nhà nghiên cứu tại đại học Milano-Bicocca (Ý), MIT (Mỹ), và Birmingham (Anh) nêu vấn đề về việc gắn nhãn hai vật thể trong hệ đôi. Theo thông lệ, vật thể nặng hơn được đánh số “1”, vật thể nhẹ hơn được đánh số “2”. Tuy nhiên, khi hai vật thể có khối lượng tương đương nhau, hệ thống gắn nhãn này lại trở nên rối rắm. Việc thay khối lượng bằng độ lớn spin cũng tạo ra vấn đề tương tự.
Vì vậy, phương pháp được đề ra là loại bỏ việc phân chia bằng 1 tham số đơn lẻ. Họ sử dụng một thuật toán học máy bán-giám sát (semi-supervied learning) để dữ liệu “tự tiết lộ” cách phân biệt phù hợp nhất. Mô hình máy học này sau đó được áp dụng cho dữ liệu sóng hấp dẫn từ cảm biến trên LIGO, Virgo, và KAGRA.
Kết quả là, độ chính xác của thông số spin lỗ đen tăng lên gần 50%, xu hướng phân phối hai đỉnh (bimodal distribution) dường như biến mất. Điều này có nghĩa là các nhà khoa học có thể phân biệt chắc chắn hơn giữa hố đen và sao neutron trong một hệ đôi. Gần 10% số mẫu từ LIGO và Virgo có thể được gắn nhãn hiệu quả hơn. Điển hình là đối với hiện tượng GW191103_012549, phương pháp truyền thống cho thấy có xác suất 13% hố đen trong hệ có chiều tự quay ngược với chiều quay trên quỹ đạo. Phương pháp mới đã giảm xác suất đó xuống chỉ còn 0.1% – tức là việc hố đen có chiều tự quay giống chiều quay quỹ đạo là gần như chắc chắn.
Nghiên cứu cho thấy việc xem xét lại những giả định cơ bản trong phân tích dữ liệu có thể mang lại kết quả đáng kể mà không cần thêm thông tin mới.
Nguồn: https://phys.org/…/2025-04-scientists-gravitational…
Tổng hợp: Khoa Lê