Sfruttare l’intelligenza artificiale per perfezionare gli interferometri laser per onde gravitazionali: è questo l’obiettivo del progetto di ricerca “Deep Loop Shaping for Gravitational-wave Detection”, che ha ottenuto un finanziamento di un milione e 836mila euro nell’ambito del terzo bando del Fondo Italiano per la Scienza (FIS 3), finanziato dal Ministero per l’Università e la Ricerca (MUR). Il progetto sarà coordinato da Jan Harms, docente al Gran Sasso Science Institute (GSSI) dell’Aquila e fortemente coinvolto nella collaborazione scientifica Einstein Telescope, dove è co-coordinatore dell’Instrument Science Board (ISB), responsabile della definizione del design tecnico del futuro rivelatore di onde gravitazionali.
Il bando FIS 3 punta a promuovere lo sviluppo della ricerca fondamentale a livello europeo, sul modello dell’European Research Council (ERC), finanziando con un totale di 475 milioni di euro progetti di ricerca di elevato contenuto scientifico, condotti da ricercatrici e ricercatori emergenti (starting grant), in carriera (consolidator grant) e già affermati (advanced grant).
Il progetto coordinato da Harms rientra tra gli advanced grant e avrà una durata quinquennale, con l’obiettivo di potenziare una linea di ricerca avviata da diversi anni e frutto di una collaborazione tra il GSSI, il Caltech (California Institute of Technology) di Pasadena e Google DeepMind, che ha già portato a una pubblicazione sulla rivista Science lo scorso settembre.
Abbiamo parlato con Jan Harms delle sfide del progetto, il cui orizzonte principale è quello degli interferometri per onde gravitazionali attualmente in funzione (in particolare Virgo, che si trova a Cascina, vicino Pisa), ma che guarda con attenzione anche a quelli di prossima generazione, come Einstein Telescope.
Jan Harms
Qual è il punto di partenza scientifico del progetto?
Una delle sfide principali nei rivelatori di onde gravitazionali è il controllo dei tanti tipi di rumore che possono ostacolare la capacità di osservare un segnale. Alcuni sono inevitabili: per esempio, il rumore prodotto dalle onde del mare genera ovunque micro-movimenti della Terra, specie a basse frequenze (intorno a 1 hertz), anche lontano dalle coste. È quindi necessario compensare continuamente questi movimenti per mantenere stabili gli specchi sospesi dei rivelatori. Il problema è che queste stesse azioni di controllo, necessarie a stabilizzare il sistema, introducono a loro volta un altro tipo di rumore, definito appunto “di controllo”. Già nei rivelatori attuali, come quelli di LIGO, negli Stati Uniti, si è visto chiaramente che a basse frequenze questi rumori diventano dominanti e limitano la sensibilità del rivelatore.
In che modo l’intelligenza artificiale (IA), e in particolare la tecnica che avete sviluppato, può contribuire a risolvere il problema?
L’idea è usare un approccio non lineare, basato su reti neurali. Questi metodi permettono di trasformare i segnali del rivelatore in modo molto più sofisticato rispetto ai controlli classici. Noi chiamiamo questo approccio Deep Loop Shaping, una tecnica basata sul cosiddetto reinforcement learning, cioè un tipo di apprendimento automatico in cui l’algoritmo impara a generare segnali di controllo ottimali attraverso prove ed errori. Nello specifico, abbiamo creato un digital twin, ossia una simulazione molto realistica di una parte del rivelatore, in cui inseriamo i modelli dei rumori, la dinamica dell’ambiente e le variazioni del rumore nel tempo. Alleniamo l’IA su questa simulazione, per poi trasferirla al sistema reale, cioè il rivelatore vero e proprio.
Come sono andati i test effettuati finora?
Dopo aver sviluppato l’algoritmo e averlo implementato in un prototipo a Caltech, con il fondamentale supporto dei colleghi di Google DeepMind, abbiamo trasferito il sistema direttamente sul rivelatore LIGO di Livingston. In meno di un anno di test, siamo riusciti a ridurre un certo rumore di controllo di un fattore compreso tra 30 e 100, nella banda di frequenze rilevante. Ovviamente, ciò non significa che l’intera sensibilità di LIGO sia migliorata dello stesso fattore, perché non abbiamo applicato l’algoritmo a tutti i rumori di controllo, ma è stata la prima vera dimostrazione dell’efficacia di questo approccio.
Quali obiettivi vi ponete con il nuovo progetto finanziato dal bando FIS?
L’obiettivo principale è portare questa tecnologia sull’esperimento Virgo, allo scopo di aumentare la sensibilità del rivelatore applicando la nostra tecnica a più rumori di controllo. Ma c’è un altro problema aperto importante su cui vogliamo concentrare l’attenzione: in generale il rumore non è costante, ma varia in modo significativo tra le diverse stagioni, e anche semplicemente tra il giorno e la notte. È quindi necessario sviluppare algoritmi che siano in grado di adattarsi a cambiamenti di rumore: per farlo dovremo creare varianti adattive del reinforcement learning, da implementare poi in Virgo. Si tratta di una frontiera di ricerca ancora non esplorata, su cui investiremo buona parte del lavoro previsto dal progetto.
In che modo il progetto potrà essere utile per Einstein Telescope?
Il legame con ET è molto forte. Come accennato in precedenza, questo tipo di rumore diventa significativo soprattutto alle basse frequenze, ossia proprio uno dei regimi in cui opererà il futuro esperimento. Per minimizzare il rumore a basse frequenze e ottenere le prestazioni desiderate (molto ambiziose) per il rivelatore, sarà essenziale implementare diverse tecnologie innovative, incluso il controllo intelligente basato sull’intelligenza artificiale. Inoltre, è importante ricordare che lo sviluppo iniziale degli algoritmi adattivi sarà realizzato su Gemini, una piattaforma di test realizzata nel contesto del progetto PNRR ETIC, che sostiene la candidatura italiana a ospitare ET.
Come investirete il finanziamento?
La maggior parte dei fondi saranno investiti sulle persone. Vogliamo creare un gruppo forte, con competenze specifiche: assumeremo un software engineer, diversi post-doc esperti nello sviluppo di digital twins dei rivelatori, oltre naturalmente a giovani dottorandi e dottorande. Investiremo poi nella strumentazione hardware e software: in particolare, acquisteremo un computer con GPU adatto al controllo in tempo reale. Tutte le azioni saranno realizzate in forte collaborazione con la collaborazione Virgo, con una forte presenza sul sito.
(ms)
Crediti immagine in evidenza: LIGO/T. Pyle