近期，力学所引力波实验中心研究团队在美国科学促进会与中国科协合作的国际顶级期刊《Research》（IF：10.3）上发表了题为“Towards Efficient and Accurate EMRI Parameter Estimation: A Machine Learning-Enhanced MCMC Framework”的研究成果。该研究提出了“流匹配马尔可夫链蒙特卡洛”（Flow-Matching Markov Chain Monte Carlo, FM-MCMC）混合计算框架，创造性地将生成式AI中的流匹配技术与传统的并行回火MCMC算法深度融合，显著提升了极端质量比旋近（EMRI）信号参数估计的效率与精度。

EMRI是太极、LISA等未来空间引力波探测器的核心探测目标之一。这类波源由致密天体绕转超大质量黑洞形成，其引力波信号携带了极高精度的时空几何信息，是检验广义相对论及探测暗物质分布的理想探针。然而，EMRI信号极其微弱且波形复杂，其参数反演面临维度灾难、参数简并、似然函数多峰等挑战，传统的贝叶斯推断方法往往陷入局部极值，计算成本高昂，无法满足未来大量数据的处理需求。

FM-MCMC框架利用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。

本研究由力学所博士生梁博担任第一作者，力学所引力波实验中心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“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。

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）