案例研究：重力波的發現

科學 Python 生態系統是 LIGO 研究的關鍵基礎設施。

—David Shoemaker，LIGO 科學合作組織

關於重力波和 LIGO#

重力波是時空結構中的漣漪，由宇宙中的災難性事件產生，例如兩個黑洞的碰撞和合併、聯星的結合或超新星爆發。 觀測重力波不僅有助於研究重力，還有助於理解遙遠宇宙中一些晦澀的現象及其影響。

雷射干涉儀重力波天文台 (LIGO) 的設計宗旨是透過直接偵測愛因斯坦廣義相對論預測的重力波，開啟重力波天體物理學領域。 它包含兩個在美國境內廣泛分離的干涉儀——一個在華盛頓州的漢福德，另一個在路易斯安那州的利文斯頓——它們協同運作以偵測重力波。 每個干涉儀都配備了使用雷射干涉技術的多公里級重力波偵測器。 LIGO 科學合作組織 (LSC) 是一個由來自美國各地大學和 14 個其他國家的 1000 多名科學家組成的團體，他們受到 90 多所大學和研究機構的支持； 約有 250 名學生積極為該合作組織做出貢獻。 LIGO 的新發現是首次直接觀測到重力波本身，透過測量波通過地球時對空間和時間產生的微小擾動來實現。 這開闢了新的天體物理學前沿，探索宇宙扭曲的一面——由扭曲時空構成的物體和現象。

主要目標#

• 雖然 LIGO 的 任務 是偵測來自宇宙中一些最劇烈和高能量過程的重力波，但 LIGO 收集的數據可能會對物理學的許多領域產生深遠的影響，包括重力、相對論、天體物理學、宇宙學、粒子物理學和核物理學。
• 透過數值相對論計算來處理觀測數據，這涉及複雜的數學，以便從雜訊中辨別訊號、濾除相關訊號並統計估計觀測數據的顯著性
• 數據視覺化，以便理解二進制/數值結果。

挑戰#

• 計算

  重力波很難偵測，因為它們產生的效應非常小，並且與物質的相互作用微弱。 處理和分析 LIGO 的所有數據需要龐大的計算基礎設施。在處理掉比訊號大數十億倍的雜訊之後，仍然存在非常複雜的相對論方程式和大量的數據，這帶來了計算上的挑戰：二元合併分析需要 O(10^7) CPU 小時，分佈在 6 個專用的 LIGO 集群上

• 數據洪流

  隨著觀測設備變得更加靈敏和可靠，數據洪流和大海撈針帶來的挑戰也成倍增加。 LIGO 每天產生數兆位元組的數據！ 理解這些數據需要為每一次偵測付出巨大的努力。 例如，LIGO 收集的訊號必須由超級電腦與數十萬個可能的重力波特徵範本進行匹配。

• 視覺化

  一旦解決了充分理解愛因斯坦方程式以便使用超級電腦解決它們的障礙，下一個重大挑戰就是使數據對人腦來說是可理解的。 模擬建模以及訊號偵測都需要有效的視覺化技術。 視覺化還在純科學愛好者眼中為數值相對論提供了更多的可信度，他們在影像和模擬使更大的受眾更容易理解結果之前，並沒有給予數值相對論足夠的重視。 複雜計算和渲染的速度，使用最新的實驗輸入和見解重新渲染影像和模擬，可能是一項耗時的活動，對該領域的研究人員提出了挑戰。

NumPy 在重力波偵測中的作用#

合併產生的重力波無法使用任何技術計算，除了使用超級電腦進行暴力數值相對論計算。 LIGO 收集的數據量之大是難以理解的，就像重力波訊號之小一樣。

NumPy 是 Python 的標準數值分析套件，在 LIGO 的重力波偵測專案期間執行的各種任務所使用的軟體中被廣泛使用。 NumPy 幫助高速解決複雜的數學和數據操作。 以下是一些範例

• 訊號處理：故障偵測、雜訊識別和數據特徵化 (NumPy, scikit-learn, scipy, matplotlib, pandas, pyCharm)
• 數據檢索：決定可以分析哪些數據，弄清楚它是否包含訊號 - 大海撈針
• 統計分析：估計觀測數據的統計顯著性，透過與模型比較來估計訊號參數（例如恆星的質量、自旋速度和距離）。
• 數據視覺化
  • 時間序列
  • 頻譜圖
• 計算相關性
• 在重力波數據分析中開發的關鍵軟體，例如 GwPy 和 PyCBC，底層使用了 NumPy 和 AstroPy，為研究來自重力波偵測器的數據的實用程式、工具和方法提供基於物件的介面。

總結#

重力波偵測使研究人員能夠發現完全出乎意料的現象，同時為許多已知的最深刻的天體物理現象提供新的見解。 數字運算和數據視覺化是至關重要的一步，它幫助科學家深入了解從科學觀測中收集的數據並理解結果。 這些計算很複雜，除非使用電腦模擬進行視覺化，否則人類無法理解，而電腦模擬是根據真實觀測數據和分析饋送的。 NumPy 以及其他 Python 套件（例如 matplotlib、pandas 和 scikit-learn）正在幫助研究人員回答複雜的問題，並在我們對宇宙的理解中發現新的視野。