AI突破性進展：揭開宇宙隱藏訊號的神秘面紗

加州大學河濱分校的科學家們開發了一款全新的AI工具，這項突破性的技術將幫助科學家分析來自LIGO（雷射干涉儀重力波觀測站）的大量資料，無需人工介入即可識別環境噪音來源，如地震和海洋波浪，從而提升重力波檢測的訊號清晰度。

LIGO是專門用來偵測宇宙重力波的實驗設施，它利用雷射干涉技術來測量由黑洞或中子星碰撞等宇宙事件引起的時空微小波動。該設施由位於華盛頓州漢福德和路易斯安那州利文斯頓的兩個觀測站組成，首次觀測到來自合併黑洞的重力波，證實了愛因斯坦廣義相對論的關鍵預測。

這款由加州大學河濱分校團隊開發的機器學習工具，能夠更輕鬆地識別LIGO重力波觀測站生成的大量複雜資料中的模式，並降低噪音。在最近的IEEE大資料研討會上，該團隊展示了他們的研究成果，這項無監督的機器學習方法不僅適用於LIGO，還可應用於大型粒子加速器實驗和複雜的工業系統。

LIGO的兩個探測器記錄了來自環境感測器的數千個資料流，這些感測器監測可能影響重力波檢測精度的條件。加州大學河濱分校物理與天文學助理教授Jonathan Richardson表示，這款機器學習工具能夠完全自主地識別資料中的模式，無需人工介入，這為未來改進探測器提供了強大的新工具。

Richardson解釋說，LIGO探測器對任何外部幹擾都非常敏感，從風到海洋波浪撞擊格陵蘭或太平洋海岸的振動，都可能影響實驗的靈敏度和資料質量。LIGO擁有超過10萬個輔助通道，這些通道中的地震儀和加速度計能夠感應干涉儀所在環境的變化。這款工具能夠識別不同的環境狀態，如地震、微震和人為噪音。

加州大學河濱分校電腦科學與工程副教授Vagelis Papalexakis在IEEE的第五屆大資料與AI工具、模型及創新科學發現應用國際研討會上發表了這篇論文。他提到，這款機器學習工具能夠自主識別資料中的模式，並且這些模式與LIGO站點操作員已知的環境狀態非常吻合。

Papalexakis補充說，團隊與LIGO科學合作組織合作，確保了與研究報告相關的大型資料集的公開。這項資料的公開不僅讓研究社群能夠驗證團隊的成果，還促進了新演算法的開發。他們發現了外部環境噪音與某些資料質量問題之間的關聯，這項發現有助於消除或預防此類噪音的發生。

Richardson指出，這項資料的公開是一項重大成就，並希望這款工具能夠幫助識別新的環境狀態，並解決干涉儀中的未知噪音問題。這項研究得到了美國國家科學基金會的支援，該基金會透過一項專注於將人工智慧/機器學習應用於物理科學問題的特殊計劃提供了資助。

這項研究的共同作者包括Papalexakis的博士生Rutuja Gurav、暑期本科生Isaac Kelly、LIGO利文斯頓觀測站的Anamaria Effler，以及加州大學河濱分校物理與天文學傑出教授Barry Barish。這項突破性的研究將為未來的科學探索開闢新的道路。