Il rilevamento delle onde gravitazionali è oggi una delle frontiere più promettenti dell’astrofisica. Per migliorarne la precisione e aumentare il numero di eventi rilevati, un team internazionale di ricercatori del Gran Sasso Science Institute, del Caltech e di Google DeepMind ha sviluppato un nuovo approccio di controllo basato sull’intelligenza artificiale.
Il metodo, chiamato Deep Loop Shaping, utilizza l’intelligenza artificiale per ridurre il rumore generato dai sistemi di controllo dell’interferometro, migliorando i metodi tradizionali e riducendo il rumore generato dagli stessi controlli. Utilizzando un algoritmo di apprendimento automatico, è stato addestrato per minimizzare le vibrazioni nelle bande di frequenza più sensibili alle onde gravitazionali.
Deep Loop Shaping è stato testato sull’interferometro LIGO di Livingston, in Louisiana, e ha permesso di ridurre il rumore generato da uno dei loop dei sistemi di controllo fino a 100 volte, ottenendo la migliore soppressione di rumore mai raggiunta. I risultati sono stati pubblicati il 4 settembre 2025 sulla rivista Science.
Questa innovazione, se estesa all’intero sistema di sospensioni di LIGO, potrebbe permettere la rilevazione di centinaia di eventi gravitazionali in più ogni anno, migliorando anche la qualità dei segnali e la distanza raggiungibile. Inoltre, potrebbe trovare applicazione futura in altri osservatori terrestri e spaziali, così come in settori ingegneristici ad alta dinamica come l’aerospazio o la robotica.
Un sistema di controllo più stabile e silenzioso
Gli interferometri gravitazionali come LIGO sono strumenti di estrema precisione, progettati per rilevare deformazioni dello spaziotempo inferiori a un miliardesimo di miliardesimo di metro. Per ottenere questo livello di sensibilità, è necessario mantenere i grandi specchi sospesi che formano l’interferometro in uno stato di quiete quasi assoluta, nonostante siano soggetti a vibrazioni ambientali continue (dai microsismi terrestri fino alle onde dell’oceano a centinaia di km di distanza). Questo viene ottenuto grazie a sistemi di isolamento passivo e a una rete di controlli attivi, che agiscono con feedback continui.
Il problema, tuttavia, è che questi stessi controlli possono introdurre un tipo di rumore chiamato control noise: piccole forze correttive che, se mal calibrate, finiscono per amplificare anziché attenuare le oscillazioni, soprattutto in certe bande di frequenza. I metodi classici di controllo lineare non sono sempre in grado di bilanciare in modo ottimale la soppressione delle vibrazioni con l’introduzione di rumore artificiale. Deep Loop Shaping supera questo limite utilizzando un algoritmo basato sul reinforcement learning, che addestra un controllore direttamente in simulazione, ottimizzando il comportamento nel dominio della frequenza.
Il nuovo sistema è stato specificamente addestrato a minimizzare la risposta nelle bande di osservazione critiche (10–30 Hz), dove LIGO misura eventi come fusioni di buchi neri di massa intermedia. Dopo l’addestramento, l’algoritmo è stato trasferito sull’apparato reale, dove ha mantenuto le stesse prestazioni. Questo approccio consente di evitare la modellazione analitica completa del sistema, affidandosi invece a un processo adattivo e sperimentale.
I test a Livingston con il nuovo metodo IA
Il team ha implementato Deep Loop Shaping sul sistema di sospensione di uno degli specchi principali di LIGO a Livingston, noto per essere tra i più difficili da controllare. L’interferometro è composto da due bracci perpendicolari lunghi 4 km, dove la luce laser viene riflessa avanti e indietro tra specchi sospesi per rilevare variazioni di distanza dell’ordine di 10⁻¹⁹ metri, ovvero un decimillesimo del diametro di un protone.
Nel corso dei test, l’algoritmo ha ridotto il rumore di controllo generato da uno dei loop più instabili di 30-100 volte, eliminandolo come fonte rilevante di disturbo. È la prima volta che questo loop viene completamente “silenziato”, rendendo il sistema più stabile e sensibile.
L’algoritmo ha imparato da solo, in simulazione, come ridurre il rumore nelle frequenze più importanti, trovando soluzioni che i metodi tradizionali non sono mai riusciti a progettare. I risultati dimostrano la robustezza dell’approccio e la sua capacità di generalizzazione.
Verso una nuova generazione di osservatori gravitazionali
L’efficacia dimostrata di Deep Loop Shaping apre la strada alla sua applicazione anche in altri interferometri e strumenti scientifici. Sebbene il test sia stato condotto solo su LIGO Livingston, la compatibilità del metodo con ambienti dinamici e non lineari ne rende promettente l’utilizzo anche in Virgo, KAGRA o nei futuri osservatori come Einstein Telescope (ET) e LISA, dove il controllo di precisione delle ottiche sospese sarà ancora più critico.
Inoltre, le implicazioni vanno oltre l’ambito astrofisico. Sistemi come questo trovano applicazione anche in ambito aerospaziale (ad esempio nel controllo di strutture flessibili su veicoli spaziali), nella robotica di precisione, o nella soppressione delle vibrazioni in infrastrutture sensibili. La combinazione di algoritmi di apprendimento automatico con il controllo attivo potrebbe diventare una componente chiave nella progettazione dei sistemi dinamici del futuro.
Nell’ambito specifico delle onde gravitazionali, la possibilità di ridurre ulteriormente il rumore di controllo rappresenta un passo fondamentale per l’osservazione di fenomeni finora rari o invisibili. Come i buchi neri di massa intermedia, che costituiscono il collegamento mancante tra le stelle collassate e i buchi neri supermassicci nei nuclei galattici. Migliorare la qualità dei dati nelle bande basse e aumentare il numero di eventi rilevati significa avere accesso a una cosmologia più completa, capace di rispondere a domande ancora aperte sull’evoluzione dell’Universo.
