Sintesi del progetto
PARSPOC mira a sviluppare nuove metodologie per la produzione efficiente di template banks, insiemi di forme d’onda teoriche necessari per identificare segnali di coalescenza di oggetti compatti, come buchi neri o stelle di neutroni, nei dati degli interferometri gravitazionali. Il progetto intende migliorare significativamente le prestazioni delle analisi nelle prossime campagne osservative e contribuire alla definizione dei futuri metodi di analisi per l’Einstein Telescope.
Obiettivi
Il progetto si propone di sviluppare algoritmi rapidi per generare template banks completi, integrare tecniche di Machine Learning per l’ottimizzazione dell’individuazione di corrispondenze con segnali reali di onde gravitazionali (match filtering), ridurre tempi di calcoloe preparare strumenti per le prossime campagne di osservazioni dei futuri interferometri gravitazionali.
Problemi e necessità
La produzione di template banks, insieme all’uso crescente di modelli Machine Learning e GPU, richiede potenza di calcolo elevata e algoritmi altamente ottimizzati. È perciò necessario bilanciare costo computazionale e copertura dello spazio dei parametri, soprattutto in previsione di future acquisizioni dati molto più ricche.
Soluzioni sviluppate
Il progetto sta definendo e testando diverse strategie di generazione dei template e iniziando la sperimentazione degli algoritmi su GPU e infrastrutture HPC. Sono in corso test su match filtering basato su Machine Learning e analisi delle prestazioni dei metodi attuali per valutarne limiti e miglioramenti possibili. Lo studio include la revisione degli algoritmi esistenti e la definizione delle metriche per la produzione ottimizzata di template banks.
Impatti
Il progetto contribuisce a migliorare la conoscenza del cosmo, aumentando la capacità di rilevare eventi rari. Le tecniche sviluppate potranno essere applicate anche per accelerare analisi complesse in diversi settori scientifici e tecnologici.
Settori di applicazione
Oltre al campo dedicato allo studio delle Onde Gravitazionali, il progetto interessa i settori dell’Intelligenza Artificiale e del Future HPC, con applicazioni potenziali nell’industria e in generale in quegli ambiti che necessitano di tecniche per confrontare segnali complessi con modelli teorici in modo rapido ed efficiente.
