Google DeepMind 深度环形整形用于 LIGO 引力波天文台

Google DeepMind 推出了 Deep Loop Shaping，这是一种新颖的 AI 驱动控制方法，可将引力波天文台反馈系统中的噪声降低 30 到 100 倍。此突破使得高度灵敏的干涉仪镜面得以稳定，可能让天文学家每年额外探测数百个宇宙事件，并更好地研究中等质量黑洞。

深度环形整形将控制噪声降低 30-100 倍

Deep Loop Shaping 显著提升了激光干涉仪引力波天文台（LIGO）中最不稳定、最难控制的反馈回路的稳定性。通过将噪声水平降低 30 到 100 倍，该方法首次消除了控制系统本身作为显著噪声来源的可能性。

该性能提升已在模拟环境以及位于路易斯安那州利文斯顿的 LIGO 观测站的实际硬件上得到验证。系统展示了在长时间内保持观测站稳定性的能力，使噪声水平低于光在镜面反射时辐射压的量子涨落所产生的振动。

通过强化学习实现的技术实现

Deep Loop Shaping 利用强化学习（RL）方法，通过频域奖励来超越传统的线性控制设计方法。

训练过程

  • Objective: 控制器的训练目标是避免在用于测量引力波的特定观测频段内放大噪声。
  • Target Events: 系统聚焦于观测频段，以捕捉如数百太阳质量黑洞合并等事件。
  • Mechanism: 通过反复交互并借助频域奖励的引导，RL 控制器学习在不产生有害“控制噪声”的情况下稳定镜面。

克服 LIGO 的精度挑战

LIGO 通过检测相距 4 公里镜面之间距离的微小变化来测量引力波——即由中子星碰撞等事件产生的时空涟漪。这些测量需要 10^-19 米的精度，相当于质子直径的 1/10,000。

控制噪声困境

为实现此精度，LIGO 采用了被动机械隔离和主动振动抑制两种手段。传统系统中存在一个关键的工程权衡：

  • 控制不足：导致镜面摆动，使测量无法进行。
  • 控制过度：放大振动（控制噪声），在某些频率范围内淹没引力波信号。

Deep Loop Shaping 通过超越线性控制设计，在不牺牲稳定性的前提下抑制噪声，从而解决了这一瓶颈。

对天体物理学和工程学的影响

提升引力波天文台的灵敏度使科学家能够研究星系演化的“失踪环节”：中等质量黑洞。尽管 LIGO 已探测到数百起黑洞和中子星碰撞，但关于中等质量系统的数据仍然有限。

更广泛的科学影响

  • 宇宙学范围：将 Deep Loop Shaping 应用于 LIGO 所有镜面控制回路，可提升观测站探测更暗、更遥远源的能力。
  • 未来观测站设计：该方法预计将影响未来地基和空间基观测站的设计。
  • 跨领域应用：除天体物理外，Deep Loop Shaping 在高度动态或不稳定系统中进行振动抑制和噪声消除的能力，可在航空航天、机器人和结构工程等领域发挥作用。

用引力而非光来研究宇宙，就像是倾听而不是观看。这项工作让我们能够调入低音。

— 拉娜·阿德哈里（Rana Adhikari），加州理工学院物理学教授

Sources