Gw150914 MCP Signal Search

🚀 GW150914 MCP信號搜索

本項目是一個引力波信號檢測與優化系統，藉助模型上下文協議（MCP）實現高效的參數空間探索，專注於分析GW150914事件的引力波信號。

🚀 快速開始

前提條件

• Python 3.9 或更高版本
• UV 包管理器

若尚未安裝UV，可運行以下命令：

curl -LsSf https://astral.sh/uv/install.sh | sh

安裝步驟

1. 克隆並設置項目：

git clone <repository-url>
cd gw150914-mcp-signal-search
make setup

2. 配置環境變量：

cp env.template .env
# 使用你的OpenAI API密鑰編輯.env文件

3. 安裝依賴項：

make install-dev

運行系統

1. 啟動分析服務器和優化客戶端：

make run-client SERVER_PATH=mcp-server/gw_analysis_server.py

2. 或者運行完整演示（包含服務器和客戶端）：

make demo

✨ 主要特性

引力波分析服務器工具

• 數據獲取：從GWOSC下載並預處理引力波數據。
• 匹配濾波搜索：執行基於模板的信號檢測。
• 網絡分析：進行多探測器相干分析。
• 可視化：生成圖表和分析結果。

優化客戶端特性

• 人工智能驅動搜索：利用OpenAI GPT進行智能參數探索。
• 四維參數空間：優化質量1、質量2、赤經和赤緯參數。
• 收斂檢測：在找到最佳信噪比時自動停止。
• 進度跟蹤：在優化過程中提供可視化反饋。

📦 安裝指南

前提條件

• Python 3.9 或更高版本
• UV 包管理器

安裝步驟

1. 克隆並設置項目：

git clone <repository-url>
cd gw150914-mcp-signal-search
make setup

2. 配置環境變量：

cp env.template .env
# 使用你的OpenAI API密鑰編輯.env文件

3. 安裝依賴項：

make install-dev

💻 使用示例

基礎用法

# 客戶端將自動為GW150914事件優化參數
python mcp-client/gw_optimization_client.py mcp-server/gw_analysis_server.py

高級用法

編輯客戶端中的優化查詢，可指定不同的參數範圍，包括：

• 質量範圍（當前為10 - 80個太陽質量）
• 天空位置範圍（赤經：0 - 2π，赤緯：-π/2 到 π/2）
• 收斂標準

📚 詳細文檔

可用命令

運行 make help 查看所有可用命令：

安裝與設置

• make install - 安裝生產依賴項
• make install-dev - 安裝開發依賴項
• make setup - 完成開發設置
• make update - 更新所有依賴項

代碼質量

• make format - 使用black和isort格式化代碼
• make lint - 運行代碼檢查
• make check - 運行所有代碼質量檢查
• make test - 運行測試

運行應用程序

• make run-server - 啟動引力波分析服務器
• make run-client SERVER_PATH=<path> - 啟動優化客戶端
• make demo - 運行完整演示

開發

• make notebook - 啟動Jupyter筆記本
• make dev-shell - 進入開發環境
• make clean - 清理臨時文件

數據管理

• make data-info - 顯示數據文件信息
• make clean-data - 清理臨時數據文件（保留應變數據）
• make backup-data - 備份分析結果和日誌

項目結構

gw150914-mcp-signal-search/
├── data/                            # 引力波數據和分析結果
│   ├── H1-1126259446-1126259478.txt    # LIGO漢福德探測器應變數據 (GW150914)
│   ├── L1-1126259446-1126259478.txt    # LIGO利文斯頓探測器應變數據 (GW150914)
│   ├── matched_filter_records.jsonl    # 分析結果和優化歷史記錄
│   └── logs/                            # 應用程序日誌（自動生成）
│       ├── server_YYYYMMDD_HHMMSS.log      # 服務器執行日誌
│       ├── client_YYYYMMDD_HHMMSS.log      # 客戶端優化日誌和人工智能交互日誌
│       └── demo_YYYYMMDD_HHMMSS.log        # 演示運行的組合日誌
├── mcp-client/
│   └── gw_optimization_client.py    # 人工智能驅動的優化客戶端
├── mcp-server/
│   └── gw_analysis_server.py        # 引力波分析MCP服務器
├── pyproject.toml                   # 項目配置
├── Makefile                         # 構建和部署命令
├── env.template                     # 環境變量模板
└── README.md                        # 本文件

數據目錄說明

data/ 目錄包含GW150914事件的引力波應變數據和分析結果：

應變數據文件

• H1-1126259446-1126259478.txt：LIGO漢福德（H1）探測器應變數據

  • GPS時間範圍：1126259446 到 1126259478（GW150914事件前後32秒）
  • 格式：兩列 - GPS時間（秒）和應變振幅
  • 採樣率：4096 Hz
  • 數據點：每個探測器約131,072個樣本

• L1-1126259446-1126259478.txt：LIGO利文斯頓（L1）探測器應變數據

  • 格式和時間範圍與H1數據相同
  • 包含雙黑洞合併產生的引力波信號

分析結果

• matched_filter_records.jsonl：JSON Lines文件，包含優化結果
  • 每行代表一次匹配濾波分析結果
  • 包含信噪比（SNR）值、模板參數、探測器響應
  • 跟蹤優化歷史和參數探索過程
  • 供人工智能客戶端從先前嘗試中學習

應用程序日誌

• logs/：包含帶時間戳的執行日誌的目錄（自動生成）
  • server_YYYYMMDD_HHMMSS.log：服務器執行日誌，帶時間戳
  • client_YYYYMMDD_HHMMSS.log：客戶端優化日誌和人工智能交互日誌
  • demo_YYYYMMDD_HHMMSS.log：演示運行的組合日誌
  • 所有標準輸出和錯誤輸出都帶有時間戳記錄
  • 運行 make run-server、make run-client 或 make demo 時自動創建日誌

數據格式詳情

應變數據格式：

GPS_TIME    STRAIN_AMPLITUDE
1.126259446000000000e+09    2.177040281448404468e-19
1.126259446000244141e+09    2.087638998822567751e-19
...

分析結果格式：

{
  "timestamp": "010725",
  "max_network_snr": 7.3055496414353565,
  "max_snr_time": 1126259462.4360352,
  "template_parameters": {
    "mass1": 17.0,
    "mass2": 9.5,
    "ra": 0.94,
    "dec": -0.31
  },
  "detector_snrs_at_max": {
    "H1": {"snr_abs": 5.064289109514169},
    "L1": {"snr_abs": 5.2653614670535624}
  }
}

數據使用說明

• 應變數據由MCP服務器自動加載進行分析。
• 處理過程中，結果緩存到 /tmp/gw-mcp/。
• 優化客戶端使用歷史結果指導參數搜索。
• 可使用服務器的繪圖工具可視化數據。
• 所有執行日誌自動保存 到 data/logs/，並帶有時間戳，用於調試和分析。

🔧 技術細節

科學背景

本項目聚焦於GW150914事件，這是首次直接探測到的引力波事件：

• 事件時間：GPS 1126259462.427
• 事件源：雙黑洞合併（約36 + 29個太陽質量）
• 探測器：LIGO漢福德（H1）和LIGO利文斯頓（L1）
• 峰值信噪比：網絡中約為24

結果與驗證

本項目在 北京人工智能科學黑客松 中開發並驗證，取得了有前景的結果，證明了大語言模型代理驅動的引力波檢測的有效性。

可靠性分析

系統在不同初始條件下表現出一致的收斂行為：

參數演化和收斂分析顯示，在探索過程中逐漸收斂到真實值。系統在不同初始條件下表現一致，平均迭代13.3 ± 3.5次達到最大信噪比19.56。

檢測性能

自動化系統成功檢測並分析了引力波信號：

網絡信噪比時間序列顯示成功檢測到GW150914信號。系統在GPS時間1126259462.428達到峰值網絡信噪比19.6，證明了在真實引力波數據上使用大語言模型代理驗證的自動化引力波數據檢測能力。

驗證結果

• 收斂性：探索過程中參數逐漸收斂到真實值。
• 一致性：模型在不同初始條件下表現一致。
• 準確性：成功達到約19.6的最大信噪比，符合理論預期。
• 自動化：在真實LIGO數據上驗證了全自動化檢測流程。

技術報告

如需詳細的方法、結果和分析，請參閱：

由王賀（國際理論物理中心亞太地區辦公室，中國科學院大學）和董一鳴（北京大學）在2025年8月24日的北京人工智能科學黑客松上展示

開發說明

設置開發環境

# 完成開發設置
make setup

# 安裝預提交鉤子
make pre-commit-install

# 運行測試
make test

# 檢查代碼質量
make check

依賴項

核心依賴項包括：

• mcp：模型上下文協議框架
• numpy, scipy：科學計算庫
• gwpy, pycbc：引力波分析庫
• openai：人工智能集成庫
• matplotlib：可視化庫

📄 許可證

本項目採用MIT許可證，詳情請參閱 LICENSE 文件。

📚 學習資源

MCP（模型上下文協議）資源

• MCP官方文檔 - 完整的入門指南和API參考
• DeepLearning.AI MCP課程 - "MCP：使用Anthropic構建富上下文人工智能應用程序" - 由Elie Schoppik提供的全面實踐課程
• 使用模型上下文協議構建人工智能科學家代理教程 - 使用MCP框架構建人工智能科學家代理的綜合教程
• MCP.Science倉庫 - 用於科學研究的開源MCP服務器，星標數超過65
• 如何構建自己的MCP服務器 - 創建自定義MCP服務器的分步教程
• 集成MCP服務器指南 - MCP服務器與人工智能應用程序的完整集成指南

科學計算與人工智能資源

• 人工智能科學活動 - 斯坦福量子科學黑客松和其他人工智能科學活動
• 人工智能科學組織 - 人工智能在科學研究中應用的社區和資源
• 項目技術報告 - 北京人工智能科學黑客松驗證的詳細方法和結果

資源重要性說明

本項目展示了MCP在科學計算中的實際應用，特別是在引力波分析方面。上述資源提供了：

• 基礎知識：理解MCP架構和實現。
• 實踐學習：構建和部署MCP服務器和客戶端。
• 科學背景：人工智能在物理學和天文學中的實際應用。
• 社區交流：與從事類似項目的研究人員和開發人員建立聯繫。

MCP入門指南

1. 從 MCP官方文檔 開始瞭解核心概念。
2. 參加 DeepLearning.AI課程 進行實踐實現。
3. 探索 MCP.Science倉庫 瞭解科學用例。
4. 將本項目作為模板，用於你自己的引力波或科學分析應用。

🙏 致謝

• 感謝LIGO科學合作組織提供引力波數據。
• 感謝PyCBC和GWpy社區提供分析工具。
• 感謝Anthropic開發MCP框架和協議。
• 感謝路徑積分研究所提供MCP.Science開源服務器。
• 感謝DeepLearning.AI和Elie Schoppik提供教育資源。