Un grupo de físicos españoles ha propuesto un sistema de aprendizaje automático que diseña al mismo tiempo la ubicación y la óptica interna de las redes de detectores de ondas gravitacionales, en lugar de fijar primero una geometría de detector y adaptarla después al emplazamiento. El enfoque, descrito en una prepublicación publicada en arXiv el 28 de julio, utiliza aprendizaje por refuerzo para elegir dónde van los brazos del interferómetro sobre terreno real y programación diferenciable para ajustar los espejos en su interior.
El método, llamado IfoScout, está pensado para el proceso de diseño que está en marcha para los observatorios terrestres de nueva generación, como el Einstein Telescope y Cosmic Explorer, y para las propuestas lunares y espaciales. Los autores, de la Universidad de Oviedo, sostienen que el proceso actual separa en gran medida los dos problemas: se eligen unas pocas configuraciones de detectores por criterios científicos y los estudios de integración en el emplazamiento llegan después. IfoScout combina ambos en un único bucle de optimización.
El sistema funciona en dos etapas. En la primera, un agente de aprendizaje por refuerzo que utiliza el algoritmo Proximal Policy Optimization coloca los brazos de los interferómetros sobre un mapa, con recompensas por brazos largos y penalizaciones por cruzar carreteras, ríos y perímetros excluidos, como núcleos urbanos y canteras, y por requerir túneles o puentes. El agente controla el vértice y un extremo de cada detector en forma de L, y elige entre 17 acciones posibles por observatorio. Una segunda etapa, llamada AutoGrav, traduce el software estándar de cálculo de ruido de LIGO al marco de aprendizaje automático PyTorch, de modo que la curvatura de los espejos y la estabilidad de la cavidad puedan optimizarse por descenso de gradiente en función del alcance de detección de estrellas de neutrones binarias.
Para demostrar el método, el equipo eligió dos ubicaciones ficticias en el campo español basadas en levantamientos topográficos reales: una cerca de Páramo Leonés, suficientemente grande en principio para brazos de unos 25 kilómetros, y otra zona más plana y pequeña cerca de Alcázar de San Juan. Los autores dejan claro que estos emplazamientos no están en consideración para ningún proyecto real de ondas gravitacionales; los eligieron como un terreno plausible, de baja sismicidad y escasamente poblado.
Tras entrenar el modelo durante dos millones de pasos y probarlo desde doce puntos de partida aleatorios, los autores presentan tres configuraciones de red que equilibran de formas distintas la longitud y el coste de ingeniería. La más conservadora evita por completo los túneles en la ubicación más pequeña y mantiene la mayoría de los demás brazos en superficie. La más ambiciosa alcanza una longitud combinada de brazos de 63 kilómetros entre las dos ubicaciones, con 26,33 kilómetros de túnel y 2,48 kilómetros de estructura soportada en la ubicación mayor, a costa de más trabajo subterráneo. La configuración intermedia se sitúa entre ambas. En los tres diseños, el alcance estimado de detección de estrellas de neutrones binarias para la ubicación mayor sube de 696 a 1.160 megapársecs, y para la más pequeña, de 449 a 564 megapársecs.
Los autores comparan las curvas de sensibilidad de sus diseños con los detectores actuales de Advanced LIGO y la mejora planificada A+, con el modelo de ruido newtoniano del emplazamiento de Hanford y el diseño original de Advanced LIGO como punto de partida. Comprueban que sus diseños adaptados al emplazamiento superan a Advanced LIGO en la banda de 10 a 800 hercios y a A+ en la banda de 10 a 300 hercios, aunque subrayan que la comparación no presupone ninguna mejora tecnológica futura y que los resultados son demostraciones, no propuestas.
La prepublicación es explícita sobre sus límites. El trabajo es una prueba de concepto, no una herramienta de diseño lista para producción: las simulaciones ignoran la curvatura de la Tierra, tratan los brazos parcialmente subterráneos como detectores de superficie y omiten factores sociales como el apoyo local, la vivienda y el impacto ambiental. Los autores señalan además que una optimización secuencial de la ubicación y la óptica puede pasar por alto efectos acoplados, ya que el ruido newtoniano y el antropogénico dependen de la posición exacta, y que fusionar las dos etapas en un único sistema diferenciable exigiría un trabajo adicional considerable. Sostienen que el principal valor del método es la velocidad y la cobertura: la etapa de aprendizaje por refuerzo completó sus dos millones de pasos en menos de una hora y cada optimización de la óptica tardó alrededor de un minuto, lo que permite probar rápidamente muchas estructuras de recompensa.
El código está disponible públicamente en GitHub, y los autores señalan que el sistema podría servir a los diseñadores de detectores como primer paso para evaluar emplazamientos candidatos, incluidos los de propuestas ya existentes. El argumento más amplio es que la exploración sistemática y asistida por máquinas de la ubicación de los detectores podría dar más confianza a los equipos de diseño en sus decisiones y abrir la puerta a tratar el detector y su sistema de análisis de datos como un único sistema que optimizar conjuntamente.
Traducido por Alessandra
Fuentes
1. arXiv, “Co-design of ground-based gravitational wave detector networks”: https://arxiv.org/abs/2607.27254
2. GitHub, “Daniel-Lanchares/IfoScout”: https://github.com/Daniel-Lanchares/IfoScout