AI技術都在朝向成熟發展，使用范圍也在不斷地擴大，盡管是在太空之上我們依然可以看到AI的影子。據悉天體物理學界熱門的的“引力波”就是得益于AI技術的進步。最新的引力波信號于2017年8月14日被探測到，由雙黑洞合并產生。

人工智能技術很早就被應用于太空探索，包括計算機視覺、語音識別、自然語言處理以及機器學習等，獲得2017年諾貝爾物理學獎的引力波研究，也使用了AI技術分析數據。或許未來，我們得給AI頒一個諾貝爾獎？

在近一個世紀前，愛因斯坦就曾在相對論中預言時空結構中存在波動，即引力波。

后來，一批科學家組成“激光干涉引力波天文臺”（LIGO）項目在2015年9月14日首次探測到一個雙黑洞系統合并的引力波信號，當時就在天體物理學界引發了一場革命，那時候參與發現引力波的研究團隊就被鎖定是諾貝爾物理學獎的熱門人選。

之后科學界又三次探測到了引力波的存在，最近一次是美國“激光干涉引力波天文臺”（LIGO）和歐洲“處女座”（Virgo）引力波探測器兩個項目組在一份聲明中說，最新的引力波信號于2017年8月14日被探測到，與前三次類似，均由雙黑洞合并產生。

據了解，這兩個黑洞距離地球約18億光年，合并前的質量分別相當于31個和25個太陽，合并后的總質量相當于53個太陽，約3個太陽的質量轉變成能量以引力波的形式釋放。

不出所料，2017年諾貝爾物理學獎終于頒給了“引力波”研究團隊，包含美國科學家雷納·韋斯、巴里·巴里什和基普·索恩等，以表彰他們為“激光干涉引力波天文臺”（LIGO）項目和發現引力波所作的貢獻。

一時間，“引力波”得到了各界關注，可啥是引力波呢？

簡單說，這個引力波概念來源于愛因斯坦的廣義相對論，我們都知道，相對論總是在探討一些時空和物質的辯證關系，而引力波的觀點就是物質會引起時空的漣漪與彎曲，而時空彎曲通過波的形式從輻射源向外傳播，這種波以引力輻射的形式傳輸能量，其速度接近光速，極端的案例就是黑洞，其質量超大造成時空扭曲，光線都跑不掉滑進去了，我們聽說過水波，聲波，電波，這個就叫引力波吧。

因為我們主流的基礎物理科學知識都是基于牛頓的萬有引力理論嘛，任何物體之間都有相互吸引力，這個力的大小與各個物體的質量成正比例，愛因斯坦認為這個理論是膚淺的，進一步研究萬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為時空扭曲造成的現象。如果萬有引力定律是不對的，那我們現在的主流物理學知識是不是走上了歧途？這TM就很尷尬了，誰對誰錯還是交給科學家們去進一步研究吧。

不過話說回來，宇宙科學的研究目前也在用到越來越多的人工智能的分析技術，比如引力波的探測與發現。

LIGO科學合作組織理事會成員曹軍威表示：“捕捉引力波最大的挑戰在于LIGO數據的采樣頻率特別高，達到每秒16000次以上，采樣信道達上萬個，數據量特別大，采用機器學習等數據處理方法，能夠提高數據處理效率。”

據了解， LIGO探測器由10個子系統組成，其中之一是數據和計算系統（Data and ComputingSystems， DSC）。LIGO獲取的數據不但包括激光干涉儀引力波探測器輸出的數據，還包括了各種獨立的對探測器的環境和探測器設備狀態進行監控的探測器和紀錄儀，對諸如溫度﹑氣壓﹑風力﹑大雨﹑冰雹﹑地表震動﹑聲響﹑電場﹑磁場等環境條件進行監測，以及對引力波探測器內部的平面鏡和透鏡的位置等探測器自身狀態進行監測的數據。

在數據獲取方面，例如在初級LIGO漢福德天文臺，DAQ的H1和H2干涉儀記錄共12733個通道，其中1279個是快速通道（數字化速率在2048 Sa/秒或16384 Sa/秒）。升級的LIGO設計為記錄大于300000個通道的數據采集，其中大約3000個快速通道。這是典型的大數據分析處理問題，需要強大的計算資源與先進的算法，才能有效處理如此巨大的數據量。

在搜尋引力波信號中，采用的是匹配濾波技術。匹配濾波是基于波形分析的技術，要求對引力波波源建立合理的物理模型，根據模型產生成千上萬的模板，用這些模板去匹配引力波數據中信號，從而找到相關的事件。

此外，與望遠鏡不同的是，引力透鏡會將物體扭曲成模糊的環和弧線，因此理解難度相當大，而將人工智能神經網絡應用到對引力波圖像的分析上，會比原本的方法快1000萬倍，神經網絡能夠發現新的鏡頭并確定它們的屬性、質量分布以及背景星系的放大水平。

博士后研究員勞倫斯·佩雷納德·勒瓦瑟爾說，“神經網絡將幫助我們識別有趣的物體并快速分析它們，這將給我們更多的時間來探索關于宇宙的問題。”

目前來看，人工智能應用于引力波大數據分析處理上，至少有幾個方面值得關注：

①有監督學習：匹配濾波器法需要知道信號的波形，這次引力波應變數據分析是與海量波形庫中的波形匹配，顯然是一個計算工作量巨大的過程，如何提高搜索效率，降低對計算資源的消耗，無疑是值得去深入研究的。

②無監督學習：在引力波探測中， 大量事件的波形是未知的，對于超新星和旋轉中子星，目前的天文觀測積累還無法給出一個它們所釋放引力波強度的理論估計，這需要采用無監督學習算法來發現引力波數據中未知的模式。

③集成學習策略：這次探測到的雙黑洞并合的引力波之外的連續引力波、原初引力波等等其他類型的引力波還沒有被探測到，例如來自旋轉中子星的連續引力波，除了對探測器的靈敏度要求更高之外，對數據分析的能力也提出極高的要求。

天文科學研究離我們普通人太遠，研究引力波數據分析技術雖然沒有直接的商業價值，但后續可考慮技術（算法）遷移，將發展的大數據分析處理技術應用到其他商業領域，或者其他學術研究上產生價值。引力波數據分析大部分是采用了一維信號處理技術，這可遷移到光譜數據分析，FAST探測數據分析，腦電數據分析等方面。

其實，人工智能技術很早就被應用于太空探索中，包括計算機視覺、語音識別、自然語言處理以及機器學習等，探測器幫助我們獲取來自宇宙的圖像、信息、數據，然后傳回地球，幫助人類提升理解宇宙的能力，而之后AI發揮的作用將會越來越大，宇宙科學的探索對AI技術的磨練也將終將惠及整個人類社會。

就像之前偶然聽到的一句臺詞：如果你仰望星空，你會看到一個蘋果，如果你看到一個蘋果你會研究它的來歷，如果你研究它的來歷你會探索一個定律，如果探索一個定律你會想要一個結論，如果你想要一個結論你會陷入矛盾，如果你陷入矛盾你需要仰望星空。

宇宙探索、AI技術、人類社會，大概就是這樣的辯證輪回關系，這樣的輪回也不斷激發著人類文明產生源源不斷的想象力和發展動力。