Investigadores han desarrollado un modelo de inteligencia artificial (IA) que acelera la generación de formas de onda gravitacionales, un paso crucial para la estimación de parámetros en eventos de coalescencia de binarias. Este avance es significativo dado que la red global de detectores de ondas gravitacionales ha registrado más de 350 eventos y se espera que detectores de tercera generación, como el Telescopio Einstein, detecten muchos más con características más complejas, como órbitas excéntricas y binarias de alta relación de masas. La estimación de parámetros para estas señales es computacionalmente muy costosa, y la IA ofrece una vía para reducir este coste.

El modelo propuesto es un autoencoder condicional determinista de dos etapas, diseñado para generar formas de onda SEOBNRv4 de cuatro parámetros. La primera etapa del modelo genera las series de amplitud y fase de la forma de onda, mientras que la segunda etapa calibra el error residual en las predicciones. Este enfoque logró una desadaptación mediana de aproximadamente 10^-2 con las formas de onda de polarización objetivo, y las series de amplitud/fase calibradas alcanzaron un error de distancia de coseno de nivel 10^-6. Posteriormente, se propone un paso de acondicionamiento de la forma de onda para permitir el uso de estas formas de onda sustitutas en tareas de estimación de parámetros.

Aunque las pruebas iniciales de estimación de parámetros con inyecciones de formas de onda generadas por IA y por el modelo EOB (Effective One Body) mostraron un sesgo sistemático en las estimaciones posteriores, los investigadores han demostrado que este sesgo puede ser estimado y corregido. Mediante una reponderación por importancia de las muestras posteriores, es posible utilizar formas de onda sustitutas de menor precisión en escenarios de baja relación señal/ruido (SNR). Este método promete reducir drásticamente el tiempo de cálculo, haciendo viable el análisis de la vasta cantidad de datos esperada de futuros detectores.