探索太空中的AI技术 “引力波”备受关注

AI技术都在朝向成熟发展，使用范围也在不断地扩大，尽管是在太空之上我们依然可以看到AI的影子。据悉天体物理学界热门的的“引力波”就是得益于AI技术的进步。最新的引力波信号于2017年8月14日被探测到，由双黑洞合并产生。

人工智能技术很早就被应用于太空探索，包括计算机视觉、语音识别、自然语言处理以及机器学习等，获得2017年诺贝尔物理学奖的引力波研究，也使用了AI技术分析数据。或许未来，我们得给AI颁一个诺贝尔奖？

在近一个世纪前，爱因斯坦就曾在相对论中预言时空结构中存在波动，即引力波。

后来，一批科学家组成“激光干涉引力波天文台”（LIGO）项目在2015年9月14日首次探测到一个双黑洞系统合并的引力波信号，当时就在天体物理学界引发了一场革命，那时候参与发现引力波的研究团队就被锁定是诺贝尔物理学奖的热门人选。

之后科学界又三次探测到了引力波的存在，最近一次是美国“激光干涉引力波天文台”（LIGO）和欧洲“处女座”（Virgo）引力波探测器两个项目组在一份声明中说，最新的引力波信号于2017年8月14日被探测到，与前三次类似，均由双黑洞合并产生。

据了解，这两个黑洞距离地球约18亿光年，合并前的质量分别相当于31个和25个太阳，合并后的总质量相当于53个太阳，约3个太阳的质量转变成能量以引力波的形式释放。

不出所料，2017年诺贝尔物理学奖终于颁给了“引力波”研究团队，包含美国科学家雷纳·韦斯、巴里·巴里什和基普·索恩等，以表彰他们为“激光干涉引力波天文台”（LIGO）项目和发现引力波所作的贡献。

一时间，“引力波”得到了各界关注，可啥是引力波呢？

简单说，这个引力波概念来源于爱因斯坦的广义相对论，我们都知道，相对论总是在探讨一些时空和物质的辩证关系，而引力波的观点就是物质会引起时空的涟漪与弯曲，而时空弯曲通过波的形式从辐射源向外传播，这种波以引力辐射的形式传输能量，其速度接近光速，极端的案例就是黑洞，其质量超大造成时空扭曲，光线都跑不掉滑进去了，我们听说过水波，声波，电波，这个就叫引力波吧。

因为我们主流的基础物理科学知识都是基于牛顿的万有引力理论嘛，任何物体之间都有相互吸引力，这个力的大小与各个物体的质量成正比例，爱因斯坦认为这个理论是肤浅的，进一步研究万有引力什么的根本不存在，之所以看上去是引力的效果是因为时空扭曲造成的现象。如果万有引力定律是不对的，那我们现在的主流物理学知识是不是走上了歧途？这TM就很尴尬了，谁对谁错还是交给科学家们去进一步研究吧。

不过话说回来，宇宙科学的研究目前也在用到越来越多的人工智能的分析技术，比如引力波的探测与发现。

LIGO科学合作组织理事会成员曹军威表示：“捕捉引力波最大的挑战在于LIGO数据的采样频率特别高，达到每秒16000次以上，采样信道达上万个，数据量特别大，采用机器学习等数据处理方法，能够提高数据处理效率。”

据了解， LIGO探测器由10个子系统组成，其中之一是数据和计算系统（Data and ComputingSystems， DSC）。LIGO获取的数据不但包括激光干涉仪引力波探测器输出的数据，还包括了各种独立的对探测器的环境和探测器设备状态进行监控的探测器和纪录仪，对诸如温度﹑气压﹑风力﹑大雨﹑冰雹﹑地表震动﹑声响﹑电场﹑磁场等环境条件进行监测，以及对引力波探测器内部的平面镜和透镜的位置等探测器自身状态进行监测的数据。

在数据获取方面，例如在初级LIGO汉福德天文台，DAQ的H1和H2干涉仪记录共12733个通道，其中1279个是快速通道（数字化速率在2048 Sa/秒或16384 Sa/秒）。升级的LIGO设计为记录大于300000个通道的数据采集，其中大约3000个快速通道。这是典型的大数据分析处理问题，需要强大的计算资源与先进的算法，才能有效处理如此巨大的数据量。

在搜寻引力波信号中，采用的是匹配滤波技术。匹配滤波是基于波形分析的技术，要求对引力波波源建立合理的物理模型，根据模型产生成千上万的模板，用这些模板去匹配引力波数据中信号，从而找到相关的事件。

此外，与望远镜不同的是，引力透镜会将物体扭曲成模糊的环和弧线，因此理解难度相当大，而将人工智能神经网络应用到对引力波图像的分析上，会比原本的方法快1000万倍，神经网络能够发现新的镜头并确定它们的属性、质量分布以及背景星系的放大水平。

博士后研究员劳伦斯·佩雷纳德·勒瓦瑟尔说，“神经网络将帮助我们识别有趣的物体并快速分析它们，这将给我们更多的时间来探索关于宇宙的问题。”

目前来看，人工智能应用于引力波大数据分析处理上，至少有几个方面值得关注：

①有监督学习：匹配滤波器法需要知道信号的波形，这次引力波应变数据分析是与海量波形库中的波形匹配，显然是一个计算工作量巨大的过程，如何提高搜索效率，降低对计算资源的消耗，无疑是值得去深入研究的。

②无监督学习：在引力波探测中， 大量事件的波形是未知的，对于超新星和旋转中子星，目前的天文观测积累还无法给出一个它们所释放引力波强度的理论估计，这需要采用无监督学习算法来发现引力波数据中未知的模式。

③集成学习策略：这次探测到的双黑洞并合的引力波之外的连续引力波、原初引力波等等其他类型的引力波还没有被探测到，例如来自旋转中子星的连续引力波，除了对探测器的灵敏度要求更高之外，对数据分析的能力也提出极高的要求。

天文科学研究离我们普通人太远，研究引力波数据分析技术虽然没有直接的商业价值，但后续可考虑技术（算法）迁移，将发展的大数据分析处理技术应用到其他商业领域，或者其他学术研究上产生价值。引力波数据分析大部分是采用了一维信号处理技术，这可迁移到光谱数据分析，FAST探测数据分析，脑电数据分析等方面。

其实，人工智能技术很早就被应用于太空探索中，包括计算机视觉、语音识别、自然语言处理以及机器学习等，探测器帮助我们获取来自宇宙的图像、信息、数据，然后传回地球，帮助人类提升理解宇宙的能力，而之后AI发挥的作用将会越来越大，宇宙科学的探索对AI技术的磨练也将终将惠及整个人类社会。

就像之前偶然听到的一句台词：如果你仰望星空，你会看到一个苹果，如果你看到一个苹果你会研究它的来历，如果你研究它的来历你会探索一个定律，如果探索一个定律你会想要一个结论，如果你想要一个结论你会陷入矛盾，如果你陷入矛盾你需要仰望星空。

宇宙探索、AI技术、人类社会，大概就是这样的辩证轮回关系，这样的轮回也不断激发着人类文明产生源源不断的想象力和发展动力。