Google DeepMind 深度迴路塑形於 LIGO 引力波觀測站

Google DeepMind 推出深度迴路塑形，一種新穎的 AI 驅動控制方法，可將引力波觀測站反饋系統的噪聲降低 30 至 100 倍。此項進展使得高度敏感的干涉儀鏡面得以穩定，或許能讓天文學家每年額外偵測數百個宇宙事件，並更深入研究中等質量黑洞。

深度迴路塑形將控制噪聲降低 30-100 倍

深度迴路塑形顯著提升雷射干涉儀引力波觀測站 (LIGO) 中最不穩定且最難控制的迴路的穩定性。透過將噪聲水平降低 30 至 100 倍，該方法首次將控制系統本身從有意義的噪聲來源中剔除。

此性能提升已在模擬環境以及位於美國路易斯安那州利文斯頓的 LIGO 觀測站實體硬體上驗證。系統展示了在長時間內維持觀測站穩定性的能力，將噪聲水平降至低於光線在鏡面反射時因輻射壓力的量子波動所產生的振動。

透過強化學習的技術實作

深度迴路塑形利用強化學習 (RL) 方法，結合頻域獎勵，以超越傳統線性控制設計方法。

訓練過程

  • Objective: 控制器的訓練目標是避免在用於測量引力波的特定觀測頻段內放大噪聲。
  • Target Events: 系統聚焦於觀測頻段，以偵測如數百太陽質量以下的黑洞合併等事件。
  • Mechanism: 透過反覆互動與頻域獎勵的指導，RL 控制器學會在不產生有害「控制噪聲」的情況下穩定鏡面。

克服 LIGO 的精度挑戰

LIGO 透過偵測相隔 4 公里鏡面之間距離的變化，來測量引力波——由中子星碰撞等事件產生的時空波紋。此類測量需要 10^-19 公尺的精度，約為質子直徑的 1/10,000。

控制噪聲的兩難

為了達成此精度，LIGO 同時使用被動機械隔離與主動抑振。傳統系統中存在一項關鍵的工程取捨：

  • Insufficient Control: 造成鏡面晃動，使測量無法進行。
  • Excessive Control: 放大振動（控制噪聲），在某些頻率範圍內淹沒引力波訊號。

深度迴路塑形透過超越線性控制設計，抑制噪聲而不犧牲穩定性，從而解決此阻礙。

對天體物理與工程的影響

提升引力波觀測站的靈敏度，使科學家得以研究星系演化的「缺失環節」——中等質量黑洞。雖然 LIGO 已偵測到數百起黑洞與中子星碰撞，但關於中等質量系統的資料仍相當有限。

更廣泛的科學影響

  • Cosmological Reach: 若將深度迴路塑形應用於 LIGO 所有鏡面控制迴路，將可擴大觀測站偵測較暗弱且更遙遠來源的能力。
  • Future Observatory Design: 此方法預期將影響未來地基與太空觀測站的設計。
  • Cross-Domain Application: 除了天體物理外，深度迴路塑形在高度動態或不穩定系統中處理抑振與噪聲消除的能力，亦有望應用於航空航太、機器人與結構工程等領域。

用重力而非光線來研究宇宙，就像是聆聽而非觀察。此項工作讓我們得以調整至低音頻段。

— Rana Adhikari，加州理工學院物理學教授

Sources