Google DeepMind の Deep Loop Shaping を LIGO 重力波観測所向けに

Google DeepMind は Deep Loop Shaping という新しい AI 主導の制御手法を導入し、重力波観測所のフィードバックシステムにおけるノイズを 30〜100 倍削減しました。この進歩により、極めて高感度な干渉計ミラーの安定化が可能となり、天文学者が年間で数百件の追加的な宇宙イベントを検出できるようになり、また中間質量ブラックホールの研究がより進む可能性があります。

Deep Loop Shaping が制御ノイズを 30〜100 倍削減

Deep Loop Shaping はレーザー干渉計重力波観測所（LIGO）内で最も不安定かつ困難なフィードバックループの安定性を大幅に向上させます。ノイズレベルを 30〜100 倍に低減することで、初めて制御システム自体が有意なノイズ源であることを排除します。

この性能向上は、シミュレーション環境とルイジアナ州リビングストンにある LIGO 観測所の実機ハードウェアの両方で検証されました。システムは長時間にわたって観測所の安定性を維持できることを示し、ミラーに反射する光の放射圧における量子揺らぎによる振動以下のノイズレベルにまで低減しました。

強化学習による技術実装

Deep Loop Shaping は、周波数領域の報酬を用いた強化学習（RL）アプローチを活用し、従来の線形制御設計手法を上回ります。

訓練プロセス

目的: コントローラは、重力波測定に使用される特定の観測帯域内でノイズを増幅しないように訓練されます。
対象イベント: システムは、数百太陽質量までのブラックホール合体などのイベントを観測するために必要な帯域に焦点を当てます。
メカニズム: 周波数領域の報酬による繰り返しの相互作用と指導を通じて、RL コントローラは有害な「制御ノイズ」を導入せずにミラーを安定化させる方法を学習します。

LIGO の精度課題を克服する

LIGO は、ニュートロン星の衝突などのイベントによって生じる時空の波（重力波）を、4 キロメートル離れたミラー間の距離変化を検出することで測定します。これらの測定には 10^-19 メートルという精度が必要で、これは陽子のサイズの 1/10,000 に相当します。

制御ノイズのジレンマ

この精度を実現するために、LIGO は受動的な機械的アイソレーションと能動的な振動抑制の両方を使用します。従来のシステムには重要なエンジニアリング上のトレードオフがあります：

制御不足: ミラーが揺れ、測定が不可能になる。
制御過剰: 振動（制御ノイズ）を増幅し、特定の周波数帯で重力波信号が埋もれてしまう。

Deep Loop Shaping は、線形制御設計を超えてノイズを抑制し、安定性を犠牲にしないことでこの障壁を解消します。

天体物理学と工学への影響

重力波観測所の感度を向上させることで、科学者は銀河進化の「失われたリンク」である中間質量ブラックホールを研究できるようになります。LIGO はこれまでに数百件のブラックホールやニュートロン星の衝突を検出していますが、中間質量系に関するデータは限られたままでした。

広範な科学的インパクト

宇宙規模の到達範囲: Deep Loop Shaping を LIGO のすべてのミラー制御ループに適用すれば、観測所がより暗く遠方の天体を検出できる能力が拡大します。
将来の観測所設計: 本手法は、将来の地上および宇宙ベースの観測所の設計に影響を与えると期待されています。
領域横断的応用: 天体物理学を超えて、Deep Loop Shaping の高度に動的または不安定なシステムにおける振動抑制とノイズ除去の能力は、航空宇宙、ロボティクス、構造工学などでの応用可能性があります。

重力で宇宙を研究することは、光で見るのではなく聞くようなものです。この研究により、私たちは低音にチューニングできるようになりました。

— ラナ・アドハリ、カリフォルニア工科大学物理学教授