一群西班牙物理学家提出了一种机器学习流程，可同时设计引力波探测器网络的布局与内部光学元件，而不再先确定探测器几何构型、再事后将其适配到某个选址。这一方法在7月28日发布于 arXiv 的预印本论文中作了描述，它利用强化学习在真实地形上选择干涉仪臂的走向，并利用可微编程来调校臂内的反射镜。
这一名为 IfoScout 的方法面向的是正在进行中的下一代地面天文台设计工作，例如爱因斯坦望远镜和宇宙探索者（Cosmic Explorer），也面向月球与空间基地方案。来自奥维耶多大学的作者们认为，当前的设计流程在很大程度上把两个问题分开处理：先依据科学理由选定少数几种探测器配置，之后再开展选址整合研究。IfoScout 则将两者合并进同一个优化循环。
该流程分两个阶段工作。第一阶段，一个采用近端策略优化（Proximal Policy Optimization）算法的强化学习智能体在地图上放置干涉仪臂，臂越长得分越高，而穿越道路、河流以及居民点和采石场等禁区边界、或需要隧道和桥梁则会受到惩罚。智能体控制每个 L 形探测器的顶点和一端，每个天文台可在17种可能的动作中作出选择。第二阶段名为 AutoGrav，将标准的 LIGO 噪声计算软件移植到 PyTorch 机器学习框架中，从而可以通过梯度下降，针对双中子星探测距离来优化反射镜曲率和腔体稳定性。
为了演示这一方法，研究团队基于真实地形测绘数据，在西班牙乡村选取了两个虚构选址：一个位于帕拉莫莱昂内斯（Páramo Leonés）附近，原则上足以容纳约25公里长的干涉仪臂；另一个位于阿尔卡萨尔德圣胡安（Alcázar de San Juan）附近，地势更平坦、面积也更小。这些选址明确不属于任何真实引力波项目的考虑范围；作者选择它们，是因为它们属于地震活动少、人口稀少的合理地形。
在将模型训练两百万步、并从12个随机起点进行测试之后，作者给出了三种网络配置，它们以不同方式在臂长与工程成本之间取得平衡。最保守的方案对较小的选址完全避免使用隧道，并让其他大部分干涉仪臂保持在地表。最激进的方案在两个选址上的合计臂长达到63公里，其中较大的选址需要26.33公里隧道和2.48公里支撑结构，代价是更多的地下工程。中间配置则介于两者之间。在三种设计中，较大选址的估计双中子星探测距离从696兆秒差距升至1,160兆秒差距，较小选址则从449兆秒差距升至564兆秒差距。
作者将自己的设计灵敏度曲线与当前的先进 LIGO（Advanced LIGO）探测器以及计划中的 A+ 升级进行了比较，以汉福德（Hanford）场址的牛顿噪声模型和最初的先进 LIGO 设计为出发点。他们发现，其适应选址的设计在10至800赫兹频段优于先进 LIGO，在10至300赫兹频段优于 A+，同时强调这一比较假设未来没有技术进步，而且这些结果属于演示而非正式提案。
预印本论文明确说明了自身的局限。这项工作属于概念验证，而非可投入生产的设计工具：模拟忽略了地球曲率，将部分位于地下的干涉仪臂当作地表探测器处理，也没有考虑当地支持、住房和环境影响等社会因素。作者还指出，对布局和光学元件的先后顺序优化可能会遗漏耦合效应，因为牛顿噪声和人为噪声都取决于精确位置；而要将两个阶段合并成一条单一的可微流程，还需要大量后续工作。他们认为，该方法的主要价值在于速度和覆盖面：强化学习阶段在不到一小时内完成了两百万步训练，每次光学优化约耗时一分钟，因此可以快速测试多种奖励结构。
代码已在 GitHub 上公开。作者表示，探测器设计人员可以将该流程用作评估候选选址的第一步，包括评估针对现有提案的选址。更广泛的论点在于，对探测器布局进行系统化、机器辅助的探索，可以让设计团队对自己的选择更有信心，并为将探测器及其数据分析流程作为一个整体系统来共同优化打开大门。
婷 翻译
资料来源
1. arXiv，《地面引力波探测器网络的协同设计》：https://arxiv.org/abs/2607.27254
2. GitHub，Daniel-Lanchares/IfoScout：https://github.com/Daniel-Lanchares/IfoScout