案例研究：引力波的发现

科学 Python 生态系统是 LIGO 研究的关键基础设施。

— 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，由宇宙中的灾难性事件产生，例如两个黑洞的碰撞和合并，或双星的合并，或超新星爆发。观测引力波不仅有助于研究引力，还能帮助理解遥远宇宙中一些晦涩的现象及其影响。

激光干涉引力波天文台 (LIGO) 的设计目的是通过爱因斯坦广义相对论预测的引力波的直接探测，开启引力波天体物理学领域。它在美国有两个相距很远的干涉仪——一个在华盛顿州汉福德，另一个在路易斯安那州利文斯顿——它们协同工作以探测引力波。它们各自拥有多公里级的引力波探测器，使用激光干涉测量技术。LIGO 科学合作组织 (LSC) 是一个由美国大学和另外 14 个国家的 1000 多名科学家组成的团体，得到了 90 多个大学和研究机构的支持；约有 250 名学生积极为该合作做出贡献。新的 LIGO 发现是对引力波本身的首次观测，是通过测量引力波经过地球时对时空造成的微小扰动而实现的。它开辟了新的天体物理前沿，探索宇宙的“扭曲”一面——由扭曲时空构成的事物和现象。

主要目标#

• 尽管 LIGO 的任务是探测宇宙中最剧烈和能量最高的过程中产生的引力波，但 LIGO 收集的数据可能对包括引力、相对论、天体物理学、宇宙学、粒子物理学和核物理学在内的许多物理学领域产生深远影响。
• 通过涉及复杂数学的数值相对论计算来处理观测到的数据，以区分信号与噪声，过滤掉相关信号，并统计上估计观测数据的显著性。
• 数据可视化，以便理解二元/数值结果。

挑战#

• 计算

  引力波很难探测，因为它们产生的效应非常小，与物质的相互作用也非常微弱。处理和分析 LIGO 的所有数据需要庞大的计算基础设施。在处理掉比信号大数十亿倍的噪声后，仍然存在非常复杂的相对论方程和海量数据，这带来了计算挑战：二元合并分析需要 O(10^7) CPU 小时，分布在 6 个专用的 LIGO 集群上。

• 数据洪流

  随着观测设备越来越灵敏和可靠，“数据洪流”和“大海捞针”的挑战呈指数级增长。LIGO 每天产生数 TB 的数据！要理解这些数据，每一次探测都需要巨大的努力。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

  一旦解决了足够深入地理解爱因斯坦方程并用超级计算机求解的障碍，下一个重大挑战是如何将数据转化为人类大脑可理解的形式。模拟建模和信号探测都需要有效的可视化技术。对于那些在图像和模拟使结果更容易被广大观众理解之前，不够重视数值相对论的纯科学爱好者来说，可视化在增加数值相对论可信度方面也发挥了作用。复杂计算和渲染的速度，使用最新的实验输入和见解重新渲染图像和模拟，可能是一项耗时的活动，这对该领域的 शोध者 提出了挑战。

NumPy 在引力波探测中的作用#

合并产生的引力波除了使用超级计算机进行暴力数值相对论计算外，无法使用任何其他技术进行计算。LIGO 收集的数据量巨大得难以想象，就像引力波信号微弱一样。

NumPy 是 Python 的标准数值分析包，被 LIGO GW 探测项目期间执行的各种任务的软件所使用。NumPy 有助于高速解决复杂的数学问题和数据操作。以下是一些例子：

• 信号处理：故障检测，噪声识别和数据表征 (NumPy, scikit-learn, scipy, matplotlib, pandas, pyCharm)
• 数据检索：决定哪些数据可以分析，找出它是否包含信号——大海捞针
• 统计分析：估计观测数据的统计显著性，通过与模型进行比较来估计信号参数（例如恒星质量、自旋速度和距离）。
• 数据可视化
  • 时间序列
  • 频谱图
• 计算相关性
• GW 数据分析中开发的关键软件，如 GwPy 和 PyCBC，在底层使用 NumPy 和 AstroPy，为研究引力波探测器数据提供对象化的接口，包含实用工具、工具箱和方法。

总结#

GW 探测使研究人员能够发现完全出乎意料的现象，同时为许多最深刻的已知天体物理现象提供了新的见解。数字计算和数据可视化是帮助科学家深入了解科学观测数据的关键步骤，并理解结果。计算非常复杂，除非使用计算机模拟进行可视化，否则人类无法理解，这些模拟会输入真实的观测数据和分析。NumPy 以及 matplotlib、pandas 和 scikit-learn 等其他 Python 包正在使研究人员能够回答复杂问题，并为我们对宇宙的理解开辟新视野。