如何从复杂微弱的引力波信号中，快速且精准地反演出黑洞等天体的物理参数，是引力波天文学的核心挑战之一。
近日，中国科学院力学研究所，引力波实验中心的研究团队与百度飞桨（PaddlePaddle）平台深度合作，在美国科学促进会与中国科协合作的国际顶级期刊《Research》（IF：10.9）上发表了题为“Towards Efficient and Accurate EMRI Parameter Estimation: A Machine Learning-Enhanced MCMC Framework”的研究成果。他们创新性地提出了“流匹配马尔可夫链蒙特卡洛”（FM-MCMC） 混合计算框架。该框架深度融合了飞桨深度学习平台的先进能力，将引力波极端质量比旋近（EMRI）信号的参数估计效率提升了数十倍，为未来空间引力波探测器的海量数据处理提供了全新的自动化解决方案。这项工作是“AI for Science”在基础物理前沿领域的又一次成功实践。
当引力波遇上“维度灾难”：传统方法陷入瓶颈
本次研究聚焦的“极端质量比旋近”（EMRI） 信号，是太极、LISA等未来空间引力波探测器的核心科学目标之一。这类信号源由一个恒星质量的黑洞或中子星环绕一个超大质量黑洞旋转产生。其引力波信号携带极高精度的时空几何信息，是检验广义相对论、探测宇宙深处暗物质分布的“理想探针”。
但“理想”的信号，却带来了“不理想”的计算困境。EMRI信号极其微弱，波形极其复杂，其参数反演面临：参数空间维度高、不同参数间存在简并、似然函数多峰等多重挑战。传统的贝叶斯推断方法很容易陷入局部极值的“陷阱”。完成一次可靠的参数反演，往往需要数天甚至更长时间，这完全无法满足未来探测器产生海量数据流的实时处理需求。计算上的“维度灾难”，一度是横在科研人员面前的巨大障碍。
FM-MCMC框架巧破局
面对挑战，研究团队创新性地利用AI模型快速捕捉参数空间的全局特征，成功克服了传统方法难以逾越的局部极值陷阱。该方法不仅将参数推断的时间从数天大幅缩短至数小时（单卡GPU），实现了计算效率的数量级提升，更关键的是确保了物理参数推断的准确性与可靠性。这一创新框架不仅为空间引力波观测数据的自动化处理提供了可行的解决方案，也展示了“AI+科学计算”在解决复杂物理系统反演问题中的巨大潜力。
图1： FM-MCMC计算框架示意图
图2：在宽先验范围内的参数估计结果对比，红色虚线代表注入信号的真实参数值。FM-MCMC成功将采样链收敛至真值附近（左图），而传统方法在相同条件下则陷入了局部极值（右图）
AI for Science：飞桨持续赋能基础科研创新
此项研究不仅是引力波数据分析和“AI+天文”领域的一项重要突破，更是“AI for Science” 趋势的生动例证。它展示了国产开源深度学习框架飞桨在解决基础科学前沿复杂计算问题上不可或缺的支撑能力。
本研究由中国科学院力学研究所博士生梁博担任第一作者，中国科学院力学研究所徐鹏研究员和杜明辉副研究员为共同通讯作者，研究受到了科技部国家重点研发计划“引力波探测”重点专项支持，研究团队与百度飞桨平台开展了深度合作。
论文链接：
https://spj.science.org/doi/10.34133/research.1055
相关人工智能算法基于飞桨深度学习框架开发，代码将开源于：
https://github.com/aspirinliang/FM-MCMC
*想了解更多飞桨在科学计算、AI for Science方面的最新案例和教程，欢迎关注飞桨PaddlePaddle公众号，也期待更多开发者加入，用AI探索星辰大海。
关注【飞桨PaddlePaddle】公众号
获取更多技术内容~
