新智元报道
编辑：Aeneas
刚刚，马普所、加州理工的研究者发现，AI 设计出了人类尚未理解的引力波探测工具，直接将物理学推动到了全新的领域！从此，人类可直接观测的宇宙体积，又扩大了 50 倍。更令人兴奋的是，这个 AI 甚至直接创造了全新的物理学。
就在刚刚，AI 又将物理学，推动到了全新的领域。
来自马克斯·普朗克光科学研究所（MPL）、加州理工等机构的科学家发现，AI 已经设计出了人类尚未理解的引力波探测工具。
这一发现，直接将可观测的宇宙体积扩大了 50 倍！
此外，这次人类研究者，还发现了全新的物理思想的核心。这种方法很容易扩展到 AI 驱动的实验设计，跨越基础物理的广泛领域，为宇宙打开新窗口。
这项研究，已经发表于「Physical Review X」上。
论文地址：https://journals.aps.org/prx/pdf/10.1103/PhysRevX.15.021012
一百多年前，爱因斯坦就设想出了引力波这个概念，但直到 2016 年，这项技术才终于赶上。
十一年后，人类科学家再次突破引力波的界限，这次，是在一个名为 Urania 的人工智能的帮助下。
最令人着迷的就是，在这个过程中，AI 不仅复制了已知策略，还发明了一些全新的策略，完全超出了现有概念，让目前的人类远远无法理解。
现在，这些设计已经在「Detector Zoo」公开，供全球研究使用。
领导这项研究的 Mario Krenn 表示，如今，AI 已经可以在科学领域发现超人类的全新解决方案了，而我们人类所做的，就是尽量去理解，AI 为什么要这样做。
2025 年的 AI，让百年前的爱因斯坦圆梦
一百多年前，爱因斯坦预测了引力波的存在——这是一种时空结构中的涟漪。
图源：国家地理
但直到 2016 年，LIGO（激光干涉引力波天文台）团队开发出了高度复杂的探测器，才让科学家得以直接探测到引力波。
LIGO 观测到的首个引力波插图：LIGO Hanford（橙色）和 LIGO Livingston（蓝色）探测到的波形，叠加在合并黑洞的插图下方
而这次，MPL 人工科学家实验室负责人 Mario Krenn 博士和 LIGO 的研究者合作，共同开发了一种名为 Urania 的 AI 算法，直接将探测器设计提升到了一个全新的水平！
在以前，设计这些探测器是一项极其复杂的任务，涉及到对布局和许多具体参数的微调。
这次，团队设想：能否将其转化为一个连续优化问题，使用机器学习方法来解决？
结果，AI 给出的答案，让他们喜出望外！
它给出了一系列全新的实验设计，其中的许多设计，甚至超越了为下一代探测器提出的最佳概念。
其中有些设计，可以将灵敏度提高到十倍以上，大幅扩展人类能探测到的引力波信号范围。
所有实验配置的抽象空间。这个空间包含了所有可能的实验设置，包括那些具有特殊属性、能够探测引力波的配置（以星号表示）。在这个空间中，人类研究者已经发现了许多令人兴奋的设计（橙色），然而部分有用但不正统的设计可能无法通过这种方式被发现。此时，基于 AI 人的设计可能会有所帮助（紫色）
AI 的想法：非传统，且富有创意
在 AI 提出算法的解决方案中，研究者对于许多已知的技术，又有了全新的认识。
而它提出的非传统的设计，则会重塑物理学家对探测器技术的理解。
MPL 研究组组长 Mario Krenn 博士表示，开发了这种 AI 算法后，他们用了大约两年的时间，发现了几十种全新的解决方案。
这些新方案，似乎都无一例外都比人类科学家的实验蓝图要更好。
我们问自己，与机器相比，人类到底忽略了什么。
为了理解这些 AI 发现所包含的技巧、想法和技术，研究者扩展了他们的方法。
然而，其中许多对他们来说，仍然是完全陌生的。
为了集思广益，现在他们在「Detector Zoo」中，将 50 种表现最佳的设计汇编在一起，希望广大科学家能共同展开进一步的探究。
我们正处于一个机器可以在科学领域发现新的超人类解决方案的时代，而人类的任务，就是理解机器所做的事情。这无疑将成为未来科学的重要组成部分。
论文解读
引力波是由两个剧烈的高能天体物理现象（比如两个黑洞或超新星的碰撞），在时空中产生的涟漪。
引力波的发现，为观察宇宙中的现象打开了新的窗口。它独立于电磁波、中微子或重粒子，并且为多信使天体物理学开辟了全新领域。
而目前一代的引力波（GW）探测器，包括先进激光干涉引力波天文台（aLIGO）、Virgo、上野引力波探测器（KAGRA）和 GEO600 探测器，都采用了光学干涉技术，能够检测时空的扭曲。
LIGO 的拓扑结构及当前和未来升级的灵敏度
目前，这些探测器的全部架构和拓扑结构，都是由人类研究者设计的，有时还会通过小规模的计算优化个别光学参数（例如寻找理想的激光功率、镜面反射率和相位、g因子或腔长）。
不过，马普所团队发现，还有一个极其庞大的实验拓扑空间，是人类研究者尚未探索过的。
这就意味着，存在大量未被探索的引力波探测器配置，不仅超越了当前设计，还能提高全新的实验概念和创意！
而在这次实验中，研究者就采用了 AI 方法，将离散的（因此计算困难的）拓扑发现问题重新表述为一个可处理的连续优化问题，即为引力波探测器设计通用干涉仪（UIFO）。
他们发现，AI 设计的一些新的拓扑结构，在现实实验约束下，要优于当前的下一代设计。
数学发现方法
巨大的拓扑搜索空间
仅用一束激光、十个光学元件（如镜子或分束器）和两个探测器，研究者就能构建超过一亿种独特的配置。
此外，每一种配置都有一个巨大的连续搜索空间。
因此，寻找新的引力波探测器，本质上就是一个在极高维度空间中的搜索问题。
在通用干涉仪中表示引力波探测器
为了将主要是离散的搜索问题，转化为一个纯粹的连续优化问题，研究者发明了一个准通用干涉仪。
通用干涉仪（UIFO）的灵感，来自神经网络的通用函数逼近概念，它是一个高度表达能力的、参数化的光学干涉仪。
在构造 UIFO 时，通过设置合适的参数，可以获得不同的拓扑结构；比如，我们可以在图1(c)中，编码下一代 LIGO Voyager 的设计图。
天体物理设计目标
在这个实验中，研究者的目标，就是找到更高灵敏度的全新引力波探测器。
因此，他们需要找到 UIFO 的精确参数设置。
他们搜索了一个宽频带探测器，频率范围为 20–5000 Hz，用于检测如双黑洞合并等通用来源。
另一个目标，是在低频范围内寻找高灵敏度设计，范围为 10–30 Hz，这一范围是来自宇宙中最早恒星的黑洞合并信号的预期频段。
此外，他们还在寻找用于超新星爆炸的探测器，这些信号预期在 200–1000 Hz 范围内。
引力波探测器的计算模拟
为了计算 UIFO 设置的性能，研究者使用了 PYKAT，这是一个 FINESSE 的 PYTHON 接口。
FINESSE 是一个开源的干涉仪仿真程序。
研究者在满足参数（如镜面反射率的最大值）和全局约束（如通过光学元件的最大激光功率）等物理约束的同时，试着将灵敏度最大化。
在目标频率范围的 100 个离散步长上，研究者计算了应变灵敏度，定义为光学响应与读出噪声的比值。参数约束使用与 LIGO Voyager 设计中相同的约束。
全局设计约束作为惩罚项加入计算目标函数中，防止光学元件传输的光功率过大，或在光子探测器上的光学功率过大。
AI 立大功：全局优化算法 Urania 诞生！
研究者成功开发出了一个 AI——Urania。
它是一种高度并行的混合局部-全局优化算法，如下图所示。
它会启动 1000 个并行的局部优化任务，使用改进版的 BFGS 算法，来最小化目标函数。
BFGS 是一种高效的梯度下降优化器，能够近似求解逆海森矩阵。
对于每个局部优化，Urania 会根据 Boltzmann 分布，从池中选择一个目标。找到更优设置时，就会用新方案替代旧方案。
最终，这个 AI 成功地完成了复杂搜索空间中的导航，并且发现了总共 50 个超越人类最佳拓扑设计的方案！
令人惊讶的是，这些方案并不是持续改进的，而是经历了相变。在某些时段改进不明显，在一些时段 AI 则效率极高。
具体来说，这 50 种优于优化版 aLIGO 基准的 UIFO 配置中，包括 6 种宽带解决方案，7 种适用于宇宙学窗口的解决方案，3 种适用于超新星窗口的解决方案，其余的 34 种则用于分析中子星合并后的物理过程。
在下图中，展示了这四个频率范围内最佳解决方案的结果。
与原始 LIGO Voyager 基线相比，最大灵敏度分别提高了 6.8、9.5、5.0 和 9.0。
而在双中子星合并的预期频率范围最佳方案中，平均灵敏度提升了 4.1 倍，可使观测率提高惊人的 68.7 倍！
AI，创造全新物理学
最后，研究者们总结道：未来的研究可以集中在创建自动微分仿真器，类似于神经网络计算中的仿真器，或者开发基于神经网络的替代模型，以高效地逼近物理仿真器。
最令人兴奋的是，这种方法并不仅限于引力波物理学！
由于这种计算框架的普适性，以及以及基础物理学是由二阶微分方程支配的，这项技术还可以直接扩展到（量子增强）光学、机械学、电子学或液压设计等领域。
无论是应用还是基础科学中的全新硬件设计，前景都会更令人兴奋，包括暗物质探测器、暗能量探测器和量子引力探测。
从此，在 AI 的帮助下，人类将拥有全新的途径，去观察这个宇宙。
参考资料：
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/
