人工智能助力LIGO，大幅降低噪音提高探测精度
快速阅读: LIGO通过与谷歌DeepMind合作开发的AI新技术，成功将镜面噪声降低了30到100倍，显著提高了引力波检测能力，为未来更大规模的黑洞合并事件探测铺平道路。
美国国家科学基金会的激光干涉引力波天文台（LIGO）被誉为世界上最精确的尺子，因其能够测量比质子宽度小一万分之一的运动。通过这些极其精确的测量，LIGO——由位于华盛顿和路易斯安那州的两个设施组成——可以探测到从黑洞等宇宙天体碰撞中向外传播的空间时间波动，即引力波。
自2015年首次直接探测到这些波动以来，LIGO开启了引力波天文学领域，这一发现随后使三位创始人在2017年荣获诺贝尔物理学奖。LIGO干涉仪的改进意味着现在在其当前的科学运行期间，平均约每三天就能检测到一次黑洞合并事件。与合作伙伴意大利的Virgo引力波探测器和日本的KAGRA一起，该天文台总共检测到了数百个黑洞合并候选事件，此外还有少数涉及至少一颗中子星的事件。
研究人员希望进一步提高LIGO的能力，以便能够检测更大范围的黑洞合并，包括可能属于假设中的中等质量类别、介于恒星级黑洞和位于星系中心的超大质量黑洞之间的更重的合并事件。他们还希望让LIGO更容易找到具有偏心或椭圆轨道的黑洞，以及更早地捕捉到合并过程，当这些密集的天体螺旋向内靠近时。
为此，加州理工学院和意大利格兰萨索科学研究所的研究人员与谷歌DeepMind合作开发了一种新的AI方法——称为深度循环整形（Deep Loop Shaping），以更好地抑制LIGO探测器中的不必要噪声。“噪声”可以指任何干扰数据收集的背景扰动。对于LIGO来说，噪声通常指的是巨大镜面中心的微小抖动。过多的抖动会掩盖引力波信号。
如今，在《科学》杂志上，研究人员展示了他们的新AI算法虽然仍处于概念验证阶段，但已经将LIGO镜面的运动减少了30到100倍，超过了仅使用传统降噪方法所能达到的效果。
“我们已经在创新前沿，进行了世界上最精确的测量，但借助AI，我们可以提高LIGO的性能，以检测更大的黑洞。”加州理工学院物理教授Rana Adhikari说，“这项技术不仅有助于改进LIGO，还将帮助建设LIGO印度站，甚至更大的引力波探测器。”
这种方法还可以改善使用控制系统的其他技术。“未来，深度循环整形也可以应用于许多其他工程问题，包括振动抑制、噪声消除和航空航天、机器人学及结构工程中重要的高度动态或不稳定系统。”研究合著者Brendan Tracey和Jonas Buchli在一篇关于该研究的博客文章中写道，他们是谷歌DeepMind的工程师和科学家。
最静的镜面
路易斯安那州和华盛顿的LIGO设施都形似巨大的“L”，每个L的臂中包含一个真空管，内部装有先进的激光技术。在4公里长的管道中，激光在两端悬挂的巨大40公斤镜面之间来回反射。当来自太空的引力波到达地球时，它们会以极其微小的程度扭曲空间时间，导致一个臂相对于另一个臂的长度发生变化。LIGO的激光系统检测到这些亚原子级别的微小变化，记录下引力波。
为了达到这种精度，LIGO的工程师必须确保背景噪音被降至最低。这项研究特别关注了LIGO镜面发生的不需要的噪音或运动，这些运动发生在镜面偏离期望位置非常微小的角度时。尽管两个LIGO设施都远离海岸，但最强的镜面振动源之一是海洋波浪。
“就像LIGO探测器坐在海滩上一样。”加州理工学院的引力波干涉仪研究科学家Christopher Wipf解释道，“地球上的水在晃动，海洋波浪产生的这些低频、缓慢振动严重干扰了两个LIGO设施。”
威普夫解释说，这个问题的解决方案类似于降噪耳机的工作原理。“想象一下，你坐在海滩上戴着降噪耳机。麦克风捕捉到海浪的声音，然后控制器向扬声器发送信号以抵消波浪噪音。”他说，“这与我们在LIGO控制海洋和其他地震引起的地面震动噪声的方式类似。”
然而，就像降噪耳机一样，这种方法也有代价。“如果你曾在安静的地方使用过这些耳机，可能会听到轻微的嘶嘶声。这是因为麦克风本身存在固有的噪声。这种自我产生的噪声正是我们希望在LIGO中消除的。”威普夫说。
LIGO已经使用传统的反馈控制系统非常有效地解决了这个问题。控制器检测到由地震噪声引起的镜子颤动，然后抵消这些振动，但这样做会引入镜子上的新高频颤动——类似于耳机中的嘶嘶声。控制器也能检测到这种嘶嘶声，并不断反应以平息这两种干扰，使镜子尽可能保持静止。这种系统有时被比作水床：试图在一个频率上平息波动会导致另一个频率上的额外晃动。控制器可以自动检测干扰并稳定系统。
研究人员希望通过减少这种由控制器引起的嘶嘶声来进一步改进LIGO的控制系统，这种噪声干扰了观测站低频范围内探测到的引力波信号。LIGO探测的引力波频率在10到5000赫兹之间（人类能听到的声波频率在20到20000赫兹之间）。不需要的嘶嘶声出现在10到30赫兹的范围内——这一频率区间是更大质量黑洞合并以及黑洞在其最终死亡螺旋早期阶段被探测到的地方（例如，LIGO著名的“啁啾”声从低频开始然后升至高音）。
大约四年前，前加州理工学院研究助理教授、现任职于Gran Sasso科学研究所的扬·哈姆斯联系了谷歌DeepMind的专家，询问他们是否能帮助开发一种更好的方法来控制LIGO镜子的振动。阿迪卡里随后参与进来，研究人员开始与谷歌DeepMind合作尝试不同的AI方法。最终，他们采用了强化学习技术，该技术教会了AI算法如何更好地控制噪声。
“这种方法需要大量的训练。”阿迪卡里说，“我们提供了训练数据，谷歌DeepMind运行了模拟。基本上，他们同时运行了数十个模拟的LIGO。你可以将训练过程视为玩游戏。降低噪声得分，增加噪声扣分。成功的‘玩家’继续游戏，以赢得LIGO的游戏。结果非常漂亮——算法工作得非常好，能够抑制镜子的噪声。”
加州理工学院控制与动力系统及生物工程学的托马斯·E·和多丽丝·埃弗哈特教授理查德·默里（理学士‘85）解释说，没有AI的情况下，科学家和工程师会对想要控制的系统进行详细的数学建模。“但是有了AI，如果在足够详细的模型上进行训练，它可以利用系统中你不会考虑使用经典方法的特性。”他说。作为复杂系统控制理论的专家，默里（不是当前研究的作者）开发了用于某些控制系统的AI工具，比如自动驾驶汽车使用的系统。
“我们认为这项研究将激励更多学生想要在LIGO工作，成为这一非凡创新的一部分。”阿迪卡里说，“我们正处于测量微小量子距离的最前沿。”
到目前为止，新的AI方法只在LIGO进行了一个小时的测试，以证明其有效性。团队期待进行更长时间的测试，并最终在多个LIGO系统中实施该方法。“这是一个改变我们如何看待地面探测器能力的工具。”威普夫说，“它使得一个极其困难的问题变得不那么令人望而生畏。”
《科学》杂志上发表的论文《通过深度循环整形改善LIGO的宇宙学范围》部分得到了国家科学基金会的支持，该基金会资助了LIGO项目。撰写人：惠特尼·克拉文。联系人：惠特尼·克拉文，电话：(626) 395-1944，邮箱：wclavin@caltech.edu。
(以上内容均由Ai生成)
