uu77

Decoding Space Ripples: Faster Ways to Analyze Gravitational Waves

dinsdag 20 mei 2025, 14:30
Towards rapid and reliable parameter estimation for gravitational waves
Promovendus
A. Kolmus
Promotor(s)
prof. dr. T.M. Heskes
Copromotor(s)
dr. T.M. van Laarhoven
Locatie
Aula

Gravitatiegolven zijn rimpelingen in ruimtetijd die worden veroorzaakt door kosmische botsingen, zoals die tussen zwarte gaten. Hun ontdekking in 2015 heeft een geheel nieuw venster op het heelal geopend. Met traditionele methoden kost het echter dagen, zo niet weken, om slechts één signaal van een zwaartekrachtgolf te analyseren. In dit proefschrift zijn slimme computeralgoritmen ontwikkeld die deze analyse aanzienlijk versnellen. Door kunstmatige intelligentie te combineren met bestaande inferentietechnieken kunnen we nu binnen minuten in plaats van weken bepalen waar zwaartekrachtgolven vandaan komen en wat de eigenschappen van hun bronnen zijn. Onze nieuwe methoden kunnen zelfs overlappende zwaartekrachtgolven onderscheiden en zijn ook geschikt voor kleinere zwarte gaten, wat voorheen bijzonder lastig was. Naarmate de detectoren gevoeliger worden, zullen er elk jaar duizenden zwaartekrachtgolven worden gedetecteerd. Dankzij dit onderzoek kunnen wetenschappers deze stortvloed aan kosmische signalen snel en betrouwbaar analyseren, wat tot nieuwe astronomische ontdekkingen leidt.

Alex Kolmus begon zijn academische loopbaan aan de uu77, waar hij zijn diploma's in scheikunde (2014) en natuurkunde (2017) behaalde, gevolgd door een master in natuurkunde (2019). Zijn promotieonderzoek (2019-2024) richtte zich op het toepassen van machine learning op zwaartekrachtgolfastronomie, waarbij hij innovatieve methoden ontwikkelde die de analysetijd drastisch terugbracht van dagen naar minuten. Buiten zijn academische werk heeft Alex in diverse domeinen blijk gegeven van zijn technische expertise. In 2017 maakte hij deel uit van een team dat de juryprijs won bij de Volkswagen Deep Learning and Robotics Challenge. Hij was ook medeoprichter van GraphKite (2017-2020), waar hij oplossingen voor machine learning ontwikkelde voor de verzekeringssector en start-ups ondersteunde bij het implementeren van datagestuurde benaderingen. Alex combineert in zijn onderzoek astrofysica met geavanceerde technieken voor machine learning en ontwikkelt zo nieuwe hulpmiddelen waarmee wetenschappers de kosmische signalen van botsende zwarte gaten en neutronensterren efficiënter kunnen interpreteren.