新智元報道

編輯：Aeneas

【新智元導讀】剛剛，馬普所、加州理工的研究者發現，AI設計出了人類尚未理解的引力波探測工具，直接將物理學推動到了全新的領域！從此，人類可直接觀測的宇宙體積，又擴大了50倍。更令人興奮的是，這個AI甚至直接創造了全新的物理學。

就在剛剛，AI又將物理學，推動到了全新的領域。

來自馬克斯·普朗克光科學研究所（MPL）、加州理工等機構的科學家發現，AI已經設計出了人類尚未理解的引力波探測工具。

這一發現，直接將可觀測的宇宙體積擴大了50倍！

此外，這次人類研究者，還發現了全新的物理思想的核心。這種方法很容易擴展到AI驅動的實驗設計，跨越基礎物理的廣泛領域，為宇宙打開新窗口。

這項研究，已經發表于「Physical Review X」上。

論文地址：https://journals.aps.org/prx/pdf/10.1103/PhysRevX.15.021012

一百多年前，愛因斯坦就設想出了引力波這個概念，但直到2016年，這項技術才終于趕上。

十一年后，人類科學家再次突破引力波的界限，這次，是在一個名為Urania的人工智能的幫助下。

最令人著迷的就是，在這個過程中，AI不僅復制了已知策略，還發明了一些全新的策略，完全超出了現有概念，讓目前的人類遠遠無法理解。

現在，這些設計已經在「Detector Zoo」公開，供全球研究使用。

領導這項研究的Mario Krenn表示，如今，AI已經可以在科學領域發現超人類的全新解決方案了，而我們人類所做的，就是盡量去理解，AI為什么要這樣做。

2025年的AI，讓百年前的愛因斯坦圓夢

一百多年前，愛因斯坦預測了引力波的存在——這是一種時空結構中的漣漪。

圖源：國家地理

但直到2016年，LIGO（激光干涉引力波天文臺）團隊開發出了高度復雜的探測器，才讓科學家得以直接探測到引力波。

LIGO觀測到的首個引力波插圖：LIGO Hanford（橙色）和LIGO Livingston（藍色）探測到的波形，疊加在合并黑洞的插圖下方

而這次，MPL人工科學家實驗室負責人Mario Krenn博士和LIGO的研究者合作，共同開發了一種名為Urania的AI算法，直接將探測器設計提升到了一個全新的水平！

在以前，設計這些探測器是一項極其復雜的任務，涉及到對布局和許多具體參數的微調。

這次，團隊設想：能否將其轉化為一個連續優化問題，使用機器學習方法來解決？

結果，AI給出的答案，讓他們喜出望外！

它給出了一系列全新的實驗設計，其中的許多設計，甚至超越了為下一代探測器提出的最佳概念。

其中有些設計，可以將靈敏度提高到十倍以上，大幅擴展人類能探測到的引力波信號范圍。

所有實驗配置的抽象空間。這個空間包含了所有可能的實驗設置，包括那些具有特殊屬性、能夠探測引力波的配置（以星號表示）。在這個空間中，人類研究者已經發現了許多令人興奮的設計（橙色），然而部分有用但不正統的設計可能無法通過這種方式被發現。此時，基于AI人的設計可能會有所幫助（紫色）

AI的想法：非傳統，且富有創意

在AI提出算法的解決方案中，研究者對于許多已知的技術，又有了全新的認識。

而它提出的非傳統的設計，則會重塑物理學家對探測器技術的理解。

MPL研究組組長Mario Krenn博士表示，開發了這種AI算法后，他們用了大約兩年的時間，發現了幾十種全新的解決方案。

這些新方案，似乎都無一例外都比人類科學家的實驗藍圖要更好。

我們問自己，與機器相比，人類到底忽略了什么。

為了理解這些AI發現所包含的技巧、想法和技術，研究者擴展了他們的方法。

然而，其中許多對他們來說，仍然是完全陌生的。

為了集思廣益，現在他們在「Detector Zoo」中，將50種表現最佳的設計匯編 在一起，希望廣大科學家能共同展開進一步的探究。

我們正處于一個機器可以在科學領域發現新的超人類解決方案的時代，而人類的任務，就是理解機器所做的事情。這無疑將成為未來科學的重要組成部分。

論文解讀

引力波是由兩個劇烈的高能天體物理現象（比如兩個黑洞或超新星的碰撞），在時空中產生的漣漪。

引力波的發現，為觀察宇宙中的現象打開了新的窗口。它獨立于電磁波、中微子或重粒子，并且為多信使天體物理學開辟了全新領域。

而目前一代的引力波（GW）探測器，包括先進激光干涉引力波天文臺（aLIGO）、Virgo、上野引力波探測器（KAGRA）和GEO600探測器，都采用了光學干涉技術，能夠檢測時空的扭曲。

LIGO的拓撲結構及當前和未來升級的靈敏度

目前，這些探測器的全部架構和拓撲結構，都是由人類研究者設計的，有時還會通過小規模的計算優化個別光學參數（例如尋找理想的激光功率、鏡面反射率和相位、g因子或腔長）。

不過，馬普所團隊發現，還有一個極其龐大的實驗拓撲空間，是人類研究者尚未探索過的。

這就意味著，存在大量未被探索的引力波探測器配置，不僅超越了當前設計，還能提高全新的實驗概念和創意！

而在這次實驗中，研究者就采用了AI方法，將離散的（因此計算困難的）拓撲發現問題重新表述為一個可處理的連續優化問題，即為引力波探測器設計通用干涉儀（UIFO）。

他們發現，AI設計的一些新的拓撲結構，在現實實驗約束下，要優于當前的下一代設計。

數學發現方法

巨大的拓撲搜索空間

僅用一束激光、十個光學元件（如鏡子或分束器）和兩個探測器，研究者就能構建超過一億種獨特的配置。

此外，每一種配置都有一個巨大的連續搜索空間。

因此，尋找新的引力波探測器，本質上就是一個在極高維度空間中的搜索問題。

在通用干涉儀中表示引力波探測器

為了將主要是離散的搜索問題，轉化為一個純粹的連續優化問題，研究者發明了一個準通用干涉儀。

通用干涉儀（UIFO）的靈感，來自神經網絡的通用函數逼近概念，它是一個高度表達能力的、參數化的光學干涉儀。

在構造UIFO時，通過設置合適的參數，可以獲得不同的拓撲結構；比如，我們可以在圖1(c)中，編碼下一代LIGO Voyager的設計圖。

天體物理設計目標

在這個實驗中，研究者的目標，就是找到更高靈敏度的全新引力波探測器。

因此，他們需要找到UIFO的精確參數設置。

他們搜索了一個寬頻帶探測器，頻率范圍為20–5000 Hz，用于檢測如雙黑洞合并等通用來源。

另一個目標，是在低頻范圍內尋找高靈敏度設計，范圍為10–30 Hz，這一范圍是來自宇宙中最早恒星的黑洞合并信號的預期頻段。

此外，他們還在尋找用于超新星爆炸的探測器，這些信號預期在200–1000 Hz范圍內。

引力波探測器的計算模擬

為了計算UIFO設置的性能，研究者使用了PYKAT，這是一個FINESSE的PYTHON接口。

FINESSE是一個開源的干涉儀仿真程序。

研究者在滿足參數（如鏡面反射率的最大值）和全局約束（如通過光學元件的最大激光功率）等物理約束的同時，試著將靈敏度最大化。

在目標頻率范圍的100個離散步長上，研究者計算了應變靈敏度，定義為光學響應與讀出噪聲的比值。參數約束使用與LIGO Voyager設計中相同的約束。

全局設計約束作為懲罰項加入計算目標函數中，防止光學元件傳輸的光功率過大，或在光子探測器上的光學功率過大。

AI立大功：全局優化算法Urania誕生！

研究者成功開發出了一個AI——Urania。

它是一種高度并行的混合局部-全局優化算法，如下圖所示。

它會啟動1000個并行的局部優化任務，使用改進版的BFGS算法，來最小化目標函數。

BFGS是一種高效的梯度下降優化器，能夠近似求解逆海森矩陣。

對于每個局部優化，Urania會根據Boltzmann分布，從池中選擇一個目標。找到更優設置時，就會用新方案替代舊方案。

最終，這個AI成功地完成了復雜搜索空間中的導航，并且發現了總共50個超越人類最佳拓撲設計的方案！

令人驚訝的是，這些方案并不是持續改進的，而是經歷了相變。在某些時段改進不明顯，在一些時段AI則效率極高。

具體來說，這50種優于優化版aLIGO基準的UIFO配置中，包括6種寬帶解決方案，7種適用于宇宙學窗口的解決方案，3種適用于超新星窗口的解決方案，其余的34種則用于分析中子星合并后的物理過程。

在下圖中，展示了這四個頻率范圍內最佳解決方案的結果。

與原始LIGO Voyager基線相比，最大靈敏度分別提高了6.8、9.5、5.0和9.0。

而在雙中子星合并的預期頻率范圍最佳方案中，平均靈敏度提升了4.1倍，可使觀測率提高驚人的68.7倍！

AI，創造全新物理學

最后，研究者們總結道：未來的研究可以集中在創建自動微分仿真器，類似于神經網絡計算中的仿真器，或者開發基于神經網絡的替代模型，以高效地逼近物理仿真器。

最令人興奮的是，這種方法并不僅限于引力波物理學！

由于這種計算框架的普適性，以及以及基礎物理學是由二階微分方程支配的，這項技術還可以直接擴展到（量子增強）光學、機械學、電子學或液壓設計等領域。

無論是應用還是基礎科學中的全新硬件設計，前景都會更令人興奮，包括暗物質探測器、暗能量探測器和量子引力探測。

從此，在AI的幫助下，人類將擁有全新的途徑，去觀察這個宇宙。

參考資料：

https://journals.aps.org/prx/abstract/10.1103/PhysRevX.15.021012

https://scitechdaily.com/when-machines-dream-ai-designs-strange-new-tools-to-listen-to-the-cosmos/