Colóquio: Boosting Inference for Gravitational-Wave Astrophysics (Saulo Albuquerque)
Ciclo de Colóquios 2026.1
Colóquio #04
“Boosting Inference for Gravitational-Wave Astrophysics”
Dr. Saulo Albuquerque
Pós-doc e research fellow na Universitá degli Studi di Urbino, Itália – INFN Firenze Membro da colaboração LIGO-Virgo-Kagra (LVK)
Sexta-feira, 17 de abril de 2026, às 14h, na sala 201 do Departamento de Física/CCEN.
Resumo: Nesse colóquio, apresentamos os resultados do projeto de pesquisa BIGA (Boosting Inference for GravitationalWave Astrophysics), fruto de uma colaboração de diversos grupos de pesquisa italianos pertencentes ao observatório Virgo, com o propósito de desenvolver e promover uma nova pipeline que analisa sinais de ondas gravitacionais detectados pelos interferômetros da colaboração LIGO-Virgo-Kagra (LVK) no regime de baixa latência. A pipeline foi desenvolvida tendo em vista tanto as atuais demandas da colaboração LVK, bem como a próxima geração de detectores de ondas gravitacionais (como o Einstein Telescope – ET; e o Laser Interferometer Space Antenna – LISA). O projeto integra de forma otimizada softwares de ponta desenvolvidos nos últimos anos, como os algoritmos de machine learning e inteligência artificial, com dispositivos hardware de última geração, como os dispositivos com GPU integradas da Nvidia. O resultado dos esforços desenvolvidos nesse projeto é uma arquitetura de algoritmos, altamente otimizados, que analisa um sinal e estima parâmetros de um potencial evento de onda gravitacional em poucos minutos, representando um dramático speed-up comparado com o longo tempo necessário para uma estimativa de parâmetro completa (dias ou até semanas). Tendo em vista o paradigma estabelecido pela astronomia multi mensageira, essa rápida resposta na caracterização de um sinal de onda gravitacional pode ser vital para o sucesso da campanha de busca por em-follow up ou neutrino-follow up (contrapartes eletromagnéticos e de neutrinos ao sinal de onda gravitacional). As principais frentes desse projeto se dividem nos seguintes subprojetos: 1) A elaboração de um sampling algorithm para rápida e precisa inferência Bayesiana via JAX, que se beneficia de uma aceleração de performance via GPU, e de um alto poder de paralelização, chamado SHARPy. Esse sampler utiliza um algoritmo baseado no gradiente da likelihood, e portanto tem sua performance ainda mais amplificada pela diferenciação automática (AD). 2) A ‘JAX-ficação’ de um aproximante surrogate baseado em machine learning, que permite a geração de simulações de templates de ondas gravitacionais de forma extremamente ágil e paralelizada com mecanismos nativos do JAX, e extremamente compatível com o SHARPy. 3) O desenvolvimento de um algoritmo para reconstrução analítica da posteriores, por meio de uma técnica baseada em machine learning, resultando no SKYFAST. Esse último algoritmo produz em pouco tempo um mapa celeste da fonte do sinal de onda gravitacional e ranqueia as mais prováveis galáxias sedes da fonte astrofísica do sinal. Combinando os três projetos acima, o resultado é uma pipeline completa que produz estimativas de parâmetros, mapa celeste, e ranking de galáxias de aproximadamente 8 a 12 minutos.
