案例研究：引力波的发现

科学 Python 生态系统是 LIGO 研究中不可或缺的基础设施。

—David Shoemaker, LIGO 科学合作组织

关于 引力波 和 LIGO#

引力波是时空结构中的涟漪，由宇宙中灾难性事件产生，例如两个黑洞的碰撞和合并，或双星或超新星的合并。观察引力波不仅有助于研究引力，还有助于了解遥远宇宙中的一些模糊现象及其影响。

这 激光干涉引力波天文台 (LIGO) 是为了通过直接探测爱因斯坦广义相对论所预测的引力波，来开启引力波天体物理学领域。它包括美国境内两个相距甚远的干涉仪——一个在华盛顿州汉福德，另一个在路易斯安那州利文斯顿——它们协同工作来探测引力波。它们都拥有多公里级引力波探测器，使用激光干涉仪。LIGO 科学合作组织 (LSC) 是一个由美国各地大学以及其他 14 个国家/地区的 90 多所大学和研究机构支持的 1000 多名科学家组成的群体；大约 250 名学生积极参与合作。新的 LIGO 发现是首次观察到引力波本身，通过测量引力波在穿过地球时对时空产生的微小扰动。它开辟了新的天体物理学前沿，探索了宇宙扭曲的一面——由扭曲时空产生的物体和现象。

主要目标#

• 虽然它的 任务 是探测来自宇宙中一些最剧烈和高能过程的引力波，但 LIGO 收集的数据可能对许多物理学领域产生深远影响，包括引力、相对论、天体物理学、宇宙学、粒子物理学和核物理学。
• 通过涉及复杂数学的数值相对论计算来处理观测数据，以便从噪声中识别信号，过滤出相关信号并统计地估计观测数据的显着性
• 数据可视化，以便能够理解二进制/数值结果。

挑战#

• 计算

  引力波很难探测，因为它们产生的影响非常小，与物质的相互作用也很微弱。处理和分析所有 LIGO 的数据需要庞大的计算基础设施。在处理完噪声后，噪声的强度是信号的数十亿倍，仍然存在非常复杂的相对论方程和大量数据，这些都带来了计算挑战：二元合并分析需要 O(10^7) CPU 小时 分布在 6 个专用 LIGO 集群上

• 数据洪流

  随着观测设备变得更加灵敏和可靠，数据洪流和大海捞针带来的挑战成倍增加。LIGO 每天生成数 TB 的数据！理解这些数据需要为每一次探测付出巨大的努力。例如，LIGO 收集的信号必须由超级计算机与数十万种可能的引力波特征模板进行匹配。

• 可视化

  一旦克服了理解爱因斯坦方程的障碍，以便能够使用超级计算机求解这些方程，下一个重大挑战是如何让人类的大脑能够理解这些数据。模拟建模以及信号探测需要有效可视化技术。可视化还在纯科学爱好者眼中为数值相对论提供了更多可信度，他们之前对数值相对论并不重视，直到成像和模拟让更多受众更容易理解结果。复杂计算的速度和渲染、使用最新的实验输入和见解重新渲染图像和模拟可能是耗时的活动，对该领域的科研人员来说是一个挑战。

NumPy 在引力波探测中的作用#

合并时发射的引力波无法使用除暴力数值相对论之外的任何技术计算，而数值相对论需要使用超级计算机。LIGO 收集的数据量与引力波信号一样难以理解地大。

NumPy 是 Python 的标准数值分析包，被 LIGO 的引力波探测项目中用于执行各种任务的软件所使用。NumPy 帮助以高速解决复杂的数学问题和数据操作。以下是一些示例

• 信号处理：故障检测，噪声识别和数据特征 (NumPy、scikit-learn、scipy、matplotlib、pandas、pyCharm)
• 数据检索：确定哪些数据可以分析，确定数据中是否包含信号——大海捞针
• 统计分析：估计观测数据的统计显着性，通过与模型比较来估计信号参数（例如恒星的质量、自旋速度和距离）。
• 数据可视化
  • 时间序列
  • 频谱图
• 计算相关性
• 关键 软件 开发于引力波数据分析，例如 GwPy 和 PyCBC 在内部使用 NumPy 和 AstroPy 为实用程序、工具和方法提供面向对象接口，用于研究引力波探测器的数据。

总结#

引力波探测使研究人员能够发现完全出乎意料的现象，同时为我们对已知的许多最深刻的天体物理现象提供了新的见解。数字处理和数据可视化是一个至关重要的步骤，它帮助科学家深入了解从科学观测中收集的数据并理解结果。这些计算非常复杂，人类无法理解，除非使用计算机模拟对其进行可视化，而计算机模拟使用真实观测数据和分析进行馈送。NumPy 以及其他 Python 包（如 matplotlib、pandas 和 scikit-learn）使研究人员能够 回答复杂的问题，并在我们对宇宙的理解中开拓新的视野。