一种基于机器学习的方法可以帮助天文学家检测到低频引力波，英国，美国和意大利的研究人员揭幕了。该系统被称为深环形，将实时校正对引力波干涉仪中使用的镜子进行应用。根据团队的说法，这将大大降低系统中的噪音，并可能导致黑洞和中子星合并的新发现。
在2015年，两个LIGO干涉仪使得首次观察引力波：将其起源归因于两个黑洞的合并，大约有13亿光年的地球。
从那时起，已经观察到许多引力波，频率为30â2000Hz。这些被认为来自小黑洞和中子星的合并。
然而，到目前为止，重力波频率谱的下部距离（对应于更大的黑洞）在很大程度上没有探索。能够在10 30 hz处检测引力波将使我们能够观察100,000个太阳能中间质量黑洞的合并。我们还可以测量二进制黑洞轨道的偏心率。但是，由于每个干涉仪臂末端的镜子中的振动噪声，目前无法进行这些检测。
亚原子精度
当引力波穿过Ligo的两个4公里的手臂时，它们扭曲了它们之间的空间，改变了两端的镜子之间的距离。”Rana Adhikari在加州理工学院（Caltech），他是开发机器学习技术的团队的一员。这些长度上的微小差异需要测量至10的精度-19 m，是1/10,000Th质子的大小。[振动]噪声数十年来一直有限。
为了最大程度地减少噪声，这些镜子被多阶段的摆系统悬挂，以抑制地震干扰。镜子也经过抛光和涂层，以消除表面瑕疵。最重要的是，反馈控制系统可以校正镜子中的许多剩余振动和缺陷。
然而，对于低频引力波，即使这种亚原子的精度和校正水平也不够。当激光束会影响镜子时，镜子可以吸收微量的能量 - 产生微小的热扭曲，使镜像对齐变得复杂。此外，激光器的辐射压力以及摆在摆系统未完全消除的地震运动可以在镜子中引入不良的振动。
团队建议最终可以在人工智能（AI）的帮助下解决这个问题。深层循环塑造是一种新的AI方法，可帮助我们设计和改善控制系统，而对控制工程的深厚专业知识的需求减少了。”Google Deepmind，谁领导了研究。尽管这有助于我们改善对高精度设备的控制，但它也可以应用于许多不同的控制问题。
深厚的增强学习
该团队的方法基于深度强化学习，从而通过奖励和惩罚的反馈系统来对其控件进行少量调整，并随着时间的流逝而适应其策略。
通过深度循环整形，该团队引入了悬挂干涉仪镜的摆系统的更聪明的反馈控件。该系统可以实时适应，以使镜子与最小的控制噪声对齐的镜子 - 抵消热扭曲，地震振动以及辐射压力引起的力。
Buchli继续进行，我们在路易斯安那州利文斯顿的Livingston的Ligo系统上反复测试了控制器。``我们发现它们在硬件上的工作效果和模拟都很好，证实我们的控制器在长时间内保持了天文台的系统稳定。”
基于这些有希望的结果，该团队现在希望深度循环塑造可以帮助提高Ligo和其他现有探测器的宇宙学覆盖范围，以及后代的重力波干涉仪。
我们正在开设一个新的频带，我们可能会看到一个不同的宇宙，就像广播，光和X射线等不同的电磁乐队一样，讲述了有关宇宙的补充故事。”Jan Harms在意大利的Gran Sasso科学研究所。我们将获得观察更大的黑洞并为中子星星合并提供早期警告的能力。这将使我们能够告诉其他天文学家在爆炸发生之前将其指向望远镜的位置。
研究在科学。