Google DeepMind用AI助力LIGO，填补宇宙演化史缺失环节

编辑丨coisini

自 2015 年首次探测到双黑洞碰撞产生的引力波，验证了爱因斯坦广义相对论的预言以来，美国激光干涉引力波天文台（LIGO）的测量成果已深刻改变了人类对宇宙的认知。通过该天文台，天文学家已探测到数百次黑洞与中子星碰撞事件，证实了双黑洞系统的存在，观测到中子星碰撞形成的新黑洞等。

然而，天文学家对最大和最小质量的黑洞已有较多了解，但对中等质量黑洞的观测研究仍只有有限数据，被视为理解星系演化的「缺失环节」。迄今为止，LIGO 仅能观测到极少数此类系统。

为了帮助科学家获取更详细的现象数据，Google DeepMind 改进了控制系统中最棘手的环节，扩展了宇宙事件的观测范围。

简单来说，Google DeepMind 与 LIGO 以及 GSSI（格兰萨索科学研究所）合作提出了深度环路整形（Deep Loop Shaping）方法，以改进对引力波天文台的控制，帮助天文学家更深入地理解宇宙的动态与形成。

研究论文以《Improving cosmological reach of a gravitational wave observatory using Deep Loop Shaping》为题于今天发表在《Science》杂志上。

论文地址：https://www.science.org/doi/10.1126/science.adw1291

降低噪声与提升控制精度

深度环路整形技术能降低天文台反馈系统中的噪声并提升控制精度，帮助稳定用于测量引力波的仪器组件，将开启新一代引力波科学研究。

引力波由中子星碰撞和黑洞合并等宇宙事件产生。深度环路整形技术将助力天文学家收集关键数据，从而理解宇宙的动态特性与形成机制，并更有效地检验物理学和宇宙学的基础理论。

LIGO 以惊人精度测量引力波的特性与起源，但最微小的振动 —— 甚至来自 160 公里外的海浪撞击 —— 都会干扰其测量。为实现测量功能，LIGO 依赖数千个控制系统使每个部件保持近乎完美的状态，并通过持续反馈适应环境干扰。

美国路易斯安那州利文斯顿市 LIGO 鸟瞰图。图源：加州理工学院 / 麻省理工学院 / LIGO 实验室。

特别是，LIGO 的探测反射镜必须保持极度稳定，完全隔绝环境干扰，这需要一套被动机械隔离系统与另一套主动振动抑制控制系统。控制不足会导致反射镜摆动而无法测量；但过度控制反而会放大系统振动而非抑制，淹没特定频段的信号。

深度环路整形技术采用基于频域奖励的强化学习方法，实现了超越现有水平的反馈控制性能。在模拟 LIGO 环境中，研究团队训练出的控制器能有效避免在观测频段放大噪声。

在频域奖励机制的引导下，控制器通过反复交互学习抑制观测频段的控制噪声，换言之，采用深度环路整形技术，控制器能在稳定反射镜的同时避免引入有害控制噪声。

LIGO 利用强激光和反射镜探测引力波。图源：加州理工学院 / 麻省理工学院 / LIGO 实验室。

深度环路整形技术突破了现行线性控制设计等传统方法的局限，从根本上消除了控制器作为噪声源的干扰，最终提升了LIGO高灵敏度干涉仪反射镜的稳定性。

若将该技术应用于 LIGO 所有反射镜控制回路，每年可帮助天文学家检测并收集数百次宇宙事件的详实数据。

LIGO 激光与反射镜精密系统示意图。

研究团队在真实 LIGO 系统上测试了控制器，发现其硬件表现与仿真效果完全一致。深度环路整形技术的控噪能力比现有控制器提升了 30-100 倍，并首次彻底消除了 LIGO 中最不稳定、最棘手的反馈回路噪声源。

采用深度环路整形技术产生的控制噪声频谱。

拓展宇宙认知边界

深度环路整形技术通过解决引力波研究的关键瓶颈，突破了当前天体物理学的极限。将该技术应用于 LIGO 整个反射镜控制系统，有望彻底消除控制系统自身噪声，为扩展宇宙学观测范围铺平道路。

这项研究成果还将影响未来地面及空间天文台的设计理念 —— 最终助力人类填补宇宙演化史中的缺失环节。

未来，深度环路整形技术还可应用于航空航天、机器人和结构工程等领域中涉及振动抑制、噪声消除以及高动态不稳定系统的诸多工程难题。

参考内容：https://deepmind.google/discover/blog/using-ai-to-perceive-the-universe-in-greater-depth/