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. Seperti yang telah kita saksikan bersama bahwa hadiah nobel 2017 dianugrahkan kepada tiga ilmuwan penemu riak dalam struktur ruang-waktu alam semesta yang disebut sebagai Gelombang Gravitasi (Gravitational Waves). Mereka bertiga adalah Rainer Weiss dari MIT (Massachusetts Institute of Technology, USA), Kip Thorne dari Caltech (California Institute of Technology) dan  Barry C Barish yang juga dari Caltech. Dengan demikian keberadaan teori yang diusulkan oleh Albert Einstein pada tahun 1916 tentang Gelombang Gravitasi  melalui relativitas umumnya mendapat pengakuan secara anumerta^[1][2][3][4].

Lebih lengkap mengenai Gelombang Gravitasi dapat dibaca pada Langkah Baru dalam Observasi Objek Alam Semesta Melalui Gelombang Gravitasi.

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^[6].

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).

Baca juga artikel yang berjudul “Memahami Kecerdasan Buatan berupa Deep Learning dan Machine Learning“.

Kelebihan dari metode ini adalah pengolahan data mentah Gelombang Gravitasi yang dideteksi oleh instrumen LIGO menjadi lebih cepat secara realtime (terus menerus). Kemudian metode ini juga sangat penting dalam pendeteksian Gelombang Gravitasi tipe lainnya yang tidak mungkin dideteksi menggunakan algoritma yang sudah ada. Kemudian kedua ilmuwan tersebut memperluas metode tersebut untuk mengidentifikasi pasangan elektromagnetik secara realtime pada peristiwa Gelombang Gravitasi yang ada pada data LSST di masa depan.

Dalam penelitian tersebut terdapat hal yang paling penting yaitu mengenai komputer yang digunakan yaitu berbasis GPU (Tesla P100 dan DGX-1) dari NVIDIA sehingga dapat mempercepat pelatihan jaringan saraf tiruan Deep Learning. Selain GPU, mereka juga menggunakan Wolfram sebagai bahasa pemrograman yang digunakan. Semoga dengan penelitian baru ini proses mencari tahu tentang alam semesta yang lebih jauh dapat dengan mudah dan lebih cepat dapat kita ketahui^[9][10].

Refrensi:

1. Physics, 2017 Nobel Prize in Physics (https://physics.aps.org/2017-nobel-prize-in-physics) diakses pada 30 januari 2018
2. Zahara, Maya R. 2018. “Langkah Baru dalam Observasi Objek Alam Semesta Melalui Gelombang Gravitasi“. Warstek, 18 Januari 2018 (https://warstek.com/2018/01/18/gravitasi/) diakses pada 30 januari 2018
3. P. Abbott et al. 2016. “Observation of Gravitational Waves from a Binary Black Hole Merger”. Physical Review Letters, American Physical Society, February 12, 2016. DOI: 10.1103/PhysRevLett.116.061102
4. Buchanan, Mark. 2016. “Focus: Background Noise of Gravitational Waves“. Physics, 31 Maret 2016 (https://physics.aps.org/articles/v9/33) diakses pada 30 januari 2018
5. Voss, David. 2017. “Prize goes to three physicists for gravitational wave detection“. APS Physics, 3 Oktober 2017 (https://www.aps.org/publications/apsnews/updates/nobel17.cfm) diakses pada 30 januari 2018
6. Universitas Illions. 2018. “Scientists pioneer use of deep learning for real-time gravitational wave discovery“. PhysOrg, 26 Januari 2018 (https://phys.org/news/2018-01-scientists-deep-real-time-gravitational-discovery.html) diakses pada 30 Januari 2018
7. Dadang, Wayan. 2018. “Memahami Kecerdasan Buatan berupa Deep Learning dan Machine Learning“. Warstek, 2 Februari 2018 (https://warstek.com/2018/02/02/deepmachinelearning/) diakses pada 30 Januari 2018
8. XenonStack. 2017. “Log Analytics With Deep Learning And Machine Learning”. Medium, 13 Mei 2017 (https://medium.com/@xenonstack/log-analytics-with-deep-learning-and-machine-learning-20a1891ff70e) diakses pada 30 Januari 2018
9. George, Daniel  & E.A.Huerta. 2017. “Deep learning for real-time gravitational wave detection and parameter estimation: Results with advanced LIGO data“. ScienceDirect, 27 Desember 2017 (https://www.sciencedirect.com/science/article/pii/S0370269317310390?via%3Dihub) diakses pada 30 Januari 2018
10. George, Daniel  & E.A.Huerta. 2017. “Deep learning for real-time gravitational wave detection and parameter estimation: Results with advanced LIGO data“. ScienceDirect, Physics Letters B 778 (2018) 64–70, 27 Desember 2017