Google DeepMind Deep Loop Shaping을 LIGO 중력파 관측소에 적용

Google DeepMind는 Deep Loop Shaping이라는 새로운 AI 기반 제어 방식을 도입했으며, 이는 중력파 관측소 피드백 시스템의 노이즈를 30배에서 100배까지 감소시킵니다. 이 발전으로 고감도 간섭계 거울을 안정화할 수 있게 되어, 천문학자들이 매년 수백 개의 추가적인 우주 사건을 탐지하고 중간 질량 블랙홀을 더 잘 연구할 수 있게 될 가능성이 있습니다.

Deep Loop Shaping이 제어 노이즈를 30~100배 감소시킴

Deep Loop Shaping은 레이저 간섭계 중력파 관측소(LIGO) 내에서 가장 불안정하고 다루기 어려운 피드백 루프의 안정성을 크게 향상시킵니다. 노이즈 수준을 30배에서 100배까지 감소시킴으로써, 이 방법은 제어 시스템 자체를 의미 있는 노이즈 원천으로서 처음으로 제거합니다.

이 성능 향상은 시뮬레이션 환경과 루이지애나 주 리빙스턴에 있는 LIGO 관측소의 실제 하드웨어 모두에서 검증되었습니다. 시스템은 장기간에 걸쳐 관측소의 안정성을 유지할 수 있음을 보여주었으며, 거울에 반사되는 빛의 복사압에 의한 양자 요동보다 낮은 수준으로 노이즈를 낮췄습니다.

강화 학습을 통한 기술 구현

Deep Loop Shaping은 주파수 영역 보상을 이용한 강화 학습(RL) 접근 방식을 활용하여 기존의 선형 제어 설계 방법을 능가합니다.

학습 과정

• 목표: 컨트롤러는 중력파 측정에 사용되는 특정 관측 대역 내에서 노이즈가 증폭되는 것을 방지하도록 학습됩니다.
• 대상 사건: 시스템은 수백 태양질량에 이르는 블랙홀 합병과 같은 사건을 관측하기 위해 필요한 대역에 초점을 맞춥니다.
• 메커니즘: 반복적인 상호작용과 주파수 영역 보상의 안내를 통해 RL 컨트롤러는 해로운 "제어 노이즈"를 발생시키지 않으면서 거울을 안정화하는 방법을 학습합니다.

LIGO의 정밀도 도전 과제 극복

LIGO는 중성자 별 충돌과 같은 사건으로 인해 발생하는 시공간의 파동인 중력파를, 4km 간격으로 배치된 거울 사이 거리 변화를 감지함으로써 측정합니다. 이러한 측정은 10^-19미터 수준의 정확도가 필요하며, 이는 양성자 크기의 1/10,000에 해당합니다.

제어 노이즈 딜레마

이 정밀도를 달성하기 위해 LIGO는 수동 기계적 격리와 능동 진동 억제 두 가지 방식을 모두 사용합니다. 전통적인 시스템에서는 중요한 엔지니어링 트레이드오프가 존재합니다:

• 제어 부족: 거울이 흔들려 측정이 불가능해집니다.
• 제어 과다: 진동(제어 노이즈)이 증폭되어 특정 주파수 대역에서 중력파 신호가 묻혀버립니다.

Deep Loop Shaping은 선형 제어 설계를 넘어 노이즈를 억제하면서도 안정성을 유지함으로써 이 문제를 해결합니다.

천체물리학 및 공학에 대한 함의

중력파 관측소의 감도를 향상시키면 과학자들은 은하 진화의 "잃어버린 고리"인 중간 질량 블랙홀을 연구할 수 있습니다. LIGO가 수백 건의 블랙홀 및 중성자 별 충돌을 탐지했지만, 중간 질량 시스템에 대한 데이터는 여전히 제한적이었습니다.

더 넓은 과학적 영향

• 우주론적 범위: Deep Loop Shaping을 LIGO의 모든 거울 제어 루프에 적용하면, 더 어둡고 먼 천체를 탐지할 수 있는 관측소의 능력이 확대될 수 있습니다.
• 미래 관측소 설계: 이 방법은 향후 지상 및 우주 기반 관측소 설계에 영향을 미칠 것으로 기대됩니다.
• 다분야 적용: 천체물리학을 넘어, Deep Loop Shaping은 고동적이거나 불안정한 시스템에서 진동 억제와 노이즈 제거를 처리할 수 있어 항공우주, 로봇공학, 구조공학 등에 잠재적인 적용 가능성이 있습니다.

중력을 이용해 우주를 연구하는 것은 빛 대신 듣는 것과 같습니다. 이 작업은 우리에게 저음에 맞춰 들을 수 있게 해줍니다.

— Caltech 물리학 교수 라나 아드하리