Giải mã tín hiệu vũ trụ bằng Deep Learning và Keras

27 THÁNG 8, 2026

Yufeng Guo, Chuyên gia Phát triển (Developer Advocate), Core ML Frameworks

Vật lý thiên văn hạt (astroparticle physics) nằm ở điểm giao thoa đầy thú vị giữa vật lý thiên văn và vật lý hạt, chuyên nghiên cứu các "sứ giả" vũ trụ: các hạt như hạt nhân nguyên tử, electron, photon năng lượng cao (ánh sáng) và neutrino được gia tốc trong các hiện tượng và vật thể vũ trụ xa xôi như lỗ đen, sao neutron, thiên hà hoạt động và siêu tân tinh, cũng như các sự kiện khác từ thời kỳ hình thành vũ trụ. Bằng cách nghiên cứu các hạt sứ giả này, chúng ta thăm dò những hiện tượng giàu năng lượng và khắc nghiệt nhất từng được biết đến, từ các neutrino sinh ra trong Mặt Trời cho đến nguồn gốc bí ẩn của tia vũ trụ năng lượng siêu cao, cũng như bản chất khó nắm bắt của vật chất tối và năng lượng tối.

Vật lý thiên văn hạt hiện đại vốn dĩ là lĩnh vực đòi hỏi dữ liệu chuyên sâu. Nó dựa vào các đài quan sát khổng lồ, thường trải rộng hàng ngàn km vuông, được thiết kế để phát hiện những tín hiệu hiếm và nhỏ bé từ vũ trụ. Các thiết bị này tạo ra khối lượng dữ liệu phức tạp khổng lồ, vượt xa khả năng xử lý của các kỹ thuật phân tích truyền thống.

Bài viết này tập trung vào vai trò ngày càng tăng của học sâu (deep learning) trong vật lý thiên văn hạt và những khả năng mới mà nó mở ra trong lĩnh vực nghiên cứu giàu dữ liệu này. Các phương pháp này mang đến những triển vọng mới nhằm cải thiện độ nhạy của thiết bị, khám phá các mô hình vốn vẫn còn ẩn giấu và tìm kiếm các bất thường trong tín hiệu. Cuối cùng, những tiến bộ này giúp giải quyết một số câu hỏi cơ bản nhất: "Cấu trúc của Vũ trụ là gì?" và "Bản chất sơ đẳng của vật chất là gì?"

Những thách thức của thiên văn học ở mức năng lượng cao nhất

Từ các ngôi sao và hành tinh đến các thiên hà và tinh vân, thiên văn học bắt nguồn sâu sắc từ việc khám phá và quan sát các vật thể hấp dẫn trong Vũ trụ. Trong Thiên văn học, ánh sáng (từ hồng ngoại đến ánh sáng khả kiến và xa hơn nữa là tia X) là sứ giả được quan sát, cung cấp chìa khóa để nghiên cứu vũ trụ. Vật lý thiên văn hạt mở rộng thiên văn học sang chế độ năng lượng cao nhất, nơi Vũ trụ bộc lộ những hiện tượng khắc nghiệt nhất của nó. Nó nghiên cứu tia gamma (photon năng lượng cao, tức là ánh sáng), cùng với các hạt nhân tích điện, neutrino và gần đây nhất là sóng hấp dẫn. Bằng cách không chỉ quan sát một sứ giả duy nhất mà kết hợp nhiều loại, vật lý thiên văn hạt hiện đại mở ra một cửa sổ mới nhìn vào vũ trụ.

Tuy nhiên, đối với các quan sát ở mức năng lượng cao này, các hiệu ứng lượng tử và tương tác hạt làm thay đổi căn bản cách chúng ta quan sát vũ trụ. Các hạt năng lượng cao riêng lẻ không còn có thể được phát hiện trực tiếp tại Trái Đất bằng các đài quan sát thông thường như kính thiên văn quang học hoặc vô tuyến. Thay vào đó, khi các hạt vũ trụ đi vào khí quyển, chúng tương tác với các phân tử không khí và tạo ra các trận mưa hạt (particle showers) mở rộng — những thác lũ gồm hàng tỷ tỷ hạt mưa thứ cấp, chủ yếu là electron, positron, muon và ánh sáng, lan rộng trên các khu vực lớn, chạm tới bề mặt Trái Đất và trải dài trên quy mô nhiều km vuông. Trên thực tế, mỗi giây, khoảng 100 hạt mưa thứ cấp này liên tục đi xuyên qua cơ thể con người mà hoàn toàn không bị phát hiện.

Các thí nghiệm vật lý thiên văn hạt trong thế kỷ 21

Để làm cho vấn đề trở nên thách thức hơn, thông lượng hạt ở mức năng lượng cao nhất là cực kỳ thấp: ở mức năng lượng trên 10¹⁹ electron volt, người ta chỉ kỳ vọng có khoảng 100 hạt trên mỗi km vuông mỗi thế kỷ. Hệ quả là, vật lý thiên văn hạt trong thế kỷ 21 dựa vào các đài quan sát khổng lồ, thường bao phủ từ hàng chục đến hàng ngàn km vuông, để thu thập đủ số liệu thống kê nhằm thực hiện các cuộc khảo sát. Những thí nghiệm này cho phép các nhà vật lý và thiên văn học thăm dò Vũ trụ theo những cách mà thiên văn học, vật lý thiên văn và vật lý hạt truyền thống không thể tiếp cận được, mở ra một cửa sổ nhìn vào những quá trình giàu năng lượng nhất từng được biết đến trong tự nhiên.

Để bắt được các trận mưa hạt, các cảm biến và máy dò được phân bổ trên các lưới rộng lớn, đều đặn theo quy mô km hoặc khối, làm cho dữ liệu của chúng giống như hình ảnh và rất phù hợp với học sâu. Các cảm biến hiện đại thường có khả năng đọc với độ phân giải nano giây, cho phép chúng ta theo dõi sự tương tác của các hạt mưa tới với máy dò một cách chính xác cao bằng cách ghi lại cái gọi là dạng sóng (waveforms) hoặc dấu vết tín hiệu. Một ví dụ được hiển thị bên dưới cho một sự kiện tia vũ trụ được đo bởi máy dò của Đài quan sát Pierre Auger. Như đã thấy, các hạt mưa khác nhau tạo ra các hình dạng khác nhau trong tổng dạng sóng được ghi lại.

Các ví dụ nổi bật bao gồm Đài quan sát Pierre Auger, máy dò tia vũ trụ năng lượng siêu cao lớn nhất thế giới; Cherenkov Telescope Array, cơ sở hàng đầu thế hệ tiếp theo cho thiên văn học tia gamma; và Đài quan sát IceCube, sử dụng một km khối băng Nam Cực để phát hiện neutrino (xem các khung tương ứng). Tất cả các đài quan sát này đều có các cảm biến phân bổ theo không gian để ghi lại các dạng sóng, mã hóa thông tin về hạt sứ giả sơ cấp bằng cách cung cấp các cấu trúc dữ liệu không gian-thời gian của các trận mưa hạt trong khí quyển.

Đài quan sát Pierre Auger

Đài quan sát Pierre Auger, nằm ở Argentina ở độ cao 1200 m, là thí nghiệm tia vũ trụ lớn nhất thế giới và có hơn 1500 trạm dò bao phủ diện tích 3000 km². Thí nghiệm phát hiện các trận mưa hạt trong khí quyển ở mức năng lượng cao nhất, với mỗi máy dò được kích hoạt ghi lại tối đa ba dạng sóng cho mỗi sự kiện.

Các đài quan sát Neutrino

Các kính thiên văn neutrino như IceCube ở Nam Cực hoặc KM3NeT, hiện đang được xây dựng ở Biển Địa Trung Hải, sử dụng các chuỗi mô-đun quang học kỹ thuật số (DOM) để phát hiện những tia sáng mờ nhạt do các hạt mưa phát ra khi chúng tương tác với băng hoặc nước. IceCube có thể tích thiết bị khoảng 1 km³ và được triển khai dưới dạng hơn 80 chuỗi, mỗi chuỗi được trang bị 60 cảm biến, ở độ sâu từ 1,5 km đến 2,5 km bên dưới lớp băng Nam Cực.

Phát hiện neutrino tại IceCube. Trái: Hình ảnh trực quan về một sự kiện neutrino được IceCube phát hiện. Phải: Phác thảo việc triển khai một trong 86 chuỗi (trên) của IceCube, mỗi chuỗi giữ một DOM (dưới) để thu thập các tia sáng mờ nhạt. Hình ảnh lấy từ [4, 5]. Dưới: dấu vết tín hiệu mô phỏng giống IceCube.

Các đài quan sát tia gamma trên mặt đất

Đài quan sát Cherenkov Telescope Array (CTAO) là cơ sở thế hệ tiếp theo cho thiên văn học tia gamma trên mặt đất và dự kiến sẽ thu thập hơn hàng trăm petabyte dữ liệu mỗi năm. Nó bao gồm hai mảng lớn các kính thiên văn Cherenkov. Các kính thiên văn này được thiết kế không phải để quan sát trực tiếp tia gamma tới, mà thay vào đó là ghi lại hình ảnh bức xạ Cherenkov do các trận mưa hạt tạo ra bằng cách sử dụng các máy ảnh siêu nhanh.

Thách thức của "thiên văn học gián tiếp": tái tạo sự kiện

Việc tái tạo các đặc tính của một hạt vũ trụ từ dữ liệu mưa hạt đo được là cực kỳ phức tạp do tính chất gián tiếp của các máy dò trên mặt đất, vì chúng không bắt trực tiếp hạt sứ giả vũ trụ. Thay vào đó, chúng lấy mẫu dấu chân của trận mưa hạt, tức là thời gian đến và năng lượng lắng đọng của các hạt va chạm với mặt đất. Theo nghĩa bóng, việc tái tạo này tương tự như một nhà cổ sinh vật học nghiên cứu xương để tái tạo lại con khủng long ban đầu. Tương tự, với các tín hiệu được ghi lại bởi máy dò, các nhà nghiên cứu nhằm mục đích suy luận bản chất của hạt gốc (liệu đó là neutrino, tia gamma hay hạt nhân tia vũ trụ) cũng như năng lượng và nguồn gốc của nó.

Bài toán tái tạo này đặc biệt khó khăn vì sự phát triển của các trận mưa hạt được điều khiển bởi các quá trình lượng tử ngẫu nhiên. Do đó, mỗi tương tác đều tiềm ẩn những biến động nội tại, nghĩa là không có hai trận mưa hạt nào hoàn toàn giống nhau, ngay cả khi chúng được bắt đầu bởi các hạt giống hệt nhau với cùng các đặc tính (ví dụ: vị trí và năng lượng). Kết quả là, các phép đo chính xác và chi tiết về trận mưa hạt là rất quan trọng: càng khai thác được nhiều thông tin, việc tái tạo hạt sơ cấp — hạt sứ giả mà chúng ta muốn nghiên cứu — càng tốt hơn.

Tuy nhiên, các phép đo chi tiết thôi là chưa đủ. Việc giải mã các dữ liệu này đòi hỏi các thuật toán cực kỳ tinh vi có khả năng xác định các cấu trúc và mô hình cơ bản ẩn giấu trong các tín hiệu mưa hạt và khối lượng dữ liệu khổng lồ. Điều này hình thành một bài toán ngược: từ các quan sát gián tiếp và không đầy đủ, nguyên nhân ban đầu (sứ giả vũ trụ) sẽ được tái tạo. Đây chính là nơi học sâu phát huy tác dụng. Bằng cách học các mối quan hệ phi tuyến tính phức tạp trực tiếp từ khối lượng dữ liệu lớn, các phương pháp hiện đại cung cấp những công cụ mới mạnh mẽ để giải quyết các thách thức về tái tạo sự kiện và cho phép giải thích chính xác và mạnh mẽ hơn các thí nghiệm vật lý thiên văn hạt.

Từ tái tạo truyền thống đến học máy và học sâu

Theo truyền thống, việc tái tạo sự kiện được thực hiện thông qua khớp hàm (function fitting) hoặc sử dụng các tham số hóa bắt nguồn từ mô phỏng hoặc, nếu có thể, từ các nguyên lý cơ bản. Các phương pháp này không dựa trên chính các dạng sóng được ghi lại, mà dựa trên hai đại lượng nén: tín hiệu tích hợp, tức là điện tích, và thời gian đến, được định nghĩa là thời gian của các hạt đầu tiên va chạm với máy dò tương ứng. Để tái tạo năng lượng E, thường sử dụng hàm Nishimura-Kamata-Greisen (NKG) đã sửa đổi:

được khớp với tín hiệu tích hợp S của mỗi trạm đo được ở khoảng cách r so với tâm trận mưa hạt, với các tham số còn lại được lấy từ mô phỏng mưa hạt hoặc được tối ưu hóa cho thiết bị. Kết quả có mối tương quan mạnh với năng lượng sơ cấp và cho phép tái tạo với chất lượng tốt.

Việc tái tạo khối lượng của hạt sơ cấp là cực kỳ khó khăn, vì các biến động trong quá trình phát triển trận mưa hạt (quá trình hình thành thác lũ) thường gây ra các biến đổi tín hiệu ở cùng quy mô hoặc lớn hơn so với những khác biệt tinh tế do các hạt nhỏ bé gây ra. Do đó, các phương pháp hiện tượng luận hơn đã được giới thiệu. Một hạt nhân nặng hơn — ví dụ, hạt nhân sắt — phân mảnh thành nhiều trận mưa hạt phụ năng lượng thấp hơn sớm trong khí quyển, tạo ra một trận mưa hạt có hàm lượng muon cao hơn so với trận mưa hạt do một hạt nhẹ hơn gây ra, ví dụ, hạt nhân heli, có cùng năng lượng. Những hạt muon này, có thể coi là các electron nặng, di chuyển gần như không bị lệch qua khí quyển và đến bề mặt trong một xung nhọn, hẹp, trong khi các hạt khác phân tán trong một cửa sổ thời gian rộng hơn. Theo truyền thống, bằng cách định lượng độ nhọn của các dấu vết dạng sóng và so sánh chúng với các trận mưa hạt mô phỏng, khối lượng có thể được ước tính rất thô.

Học sâu, và cụ thể là Keras, mang đến một bước đột phá, đặc biệt là để thay thế các phương pháp hiện tượng luận. Thay vì dựa vào các đặc trưng do con người thiết kế, các mạng thần kinh sâu có thể được huấn luyện từ đầu đến cuối (end-to-end) trên các tín hiệu máy dò mô phỏng. Mạng học cách trích xuất các mối tương quan phi tuyến tính, tinh tế giữa các dấu vết tín hiệu, thời gian của chúng và hình học máy dò, tái tạo các đặc tính của trận mưa hạt với độ chính xác chưa từng có. Điều này bỏ qua sự mất mát thông tin vốn có trong việc giảm các dạng sóng xuống chỉ còn một giá trị điện tích và một thời gian đến, đồng thời cho phép khai thác toàn bộ cấu trúc không gian-thời gian của dữ liệu — một hạn chế cơ bản của các thuật toán tái tạo thế hệ hiện tại trong vật lý thiên văn hạt.

Ví dụ, trong bài viết này, chúng tôi sẽ tập trung vào một kiến trúc mạng thần kinh được các nhà nghiên cứu tại Đài quan sát Pierre Auger phát triển, dựa trên Keras, để tái tạo thành phần khối lượng tia vũ trụ từ các tín hiệu được đo bởi mảng máy dò bề mặt của nó. Kiến trúc này được thiết kế riêng cho cấu trúc và tính đối xứng của dữ liệu, như được thảo luận chi tiết bên dưới.

Phân tích dữ liệu không gian-thời gian sử dụng Keras

Dữ liệu được ghi lại bởi các thí nghiệm vật lý thiên văn hạt và Đài quan sát Pierre Auger là dữ liệu không gian-thời gian (xem khung XXX), bao gồm các cảm biến phân bổ trong không gian đo các dạng sóng: mỗi trận mưa hạt in dấu một mô hình tín hiệu hạt trên khắp mảng máy dò, tiến triển trong cả không gian và thời gian. Cấu trúc đặc trưng của nó (ví dụ: kích thước tín hiệu, thành phần hạt mưa, cấu trúc thời gian) mã hóa thông tin về sự phát triển của trận mưa hạt, và do đó là hạt sứ giả sơ cấp. Cụ thể, ba khía cạnh vật lý của dữ liệu là cơ bản.

Thứ nhất, dấu chân trận mưa hạt đo được, tức là sự phân bổ không gian của các tín hiệu trên các máy dò. Kích thước của dấu chân tương quan trực tiếp với năng lượng của hạt sơ cấp: một tia vũ trụ giàu năng lượng tạo ra một trận mưa hạt rộng đến mức nó kích hoạt hàng chục trạm trải rộng trên nhiều (hàng chục!) km, trong khi một sự kiện năng lượng thấp hơn chỉ để lại một vài trạm với tín hiệu nhỏ. Ngoài kích thước, hình dạng của dấu chân còn mã hóa hình học của trận mưa hạt. Một dấu chân hình tròn cho thấy một trận mưa hạt thẳng đứng đi xuống, trong khi một dấu chân thuôn dài và bất đối xứng được tạo ra bởi một trận mưa hạt nghiêng đến từ gần đường chân trời, nơi mặt trước của trận mưa hạt cắt mảng theo một góc nông và di chuyển qua mảng. Trong thực tế, chỉ một phần nhỏ trong số 1.660 trạm được kích hoạt bởi bất kỳ sự kiện nào. Để có được đầu vào dạng hình ảnh, đều đặn phù hợp cho xử lý tích chập (convolutional processing), một phần cắt 13×13 trạm được trích xuất từ toàn bộ mảng, với trạm ghi lại tín hiệu lớn nhất được đặt ở trung tâm.

Hơn nữa, thời gian đến, được xác định bởi thời gian các hạt đầu tiên đến mỗi trạm — cạnh dẫn đầu của dạng sóng — mã hóa độ cong của mặt trước trận mưa hạt khi nó quét qua mảng. Những thời gian đến tương đối này mã hóa hướng của trận mưa hạt và do đó, cả hướng của hạt va chạm. Theo nghĩa bóng, điều này tương tự như đo tiếng vang (echo sounding), sử dụng thời gian đến của âm thanh phản xạ để suy luận độ sâu và hình học của một vật thể.

Ví dụ về các dạng sóng đo được của một trạm dò đơn lẻ. Các màu khác nhau biểu thị ba dạng sóng được ghi lại khác nhau. Hình ảnh sự kiện từ [3].