[論文レビュー] Deep Learning for Real-time Gravitational Wave Detection and Parameter Estimation with LIGO Data

Daniel J. George, E. A. Huerta|arXiv (Cornell University)|Nov 21, 2017

Pulsars and Gravitational Waves Research被引用数 10

ひとこと要約

本稿では、リアルタイムでの重力波信号の検出とパラメータ推定を可能にする深層畳み込みニューラルネットワーク（CNN）フレームワーク「Deep Filtering」を提案する。本手法は、実際のLIGOデータからの重力波信号検出において、マッチドフィルタリングと同等の感度を達成するとともに、推論速度が数個のオーダー以上に高速であり、非ガウス分布のノイズノイズにも優れた耐性を示す。本研究では、再訓練なしに変化するノイズ条件に対しても、実際のLIGO観測データから真のGW信号を機械学習により成功裏に回復させた初めての試みである。

ABSTRACT

The recent Nobel-prize-winning detections of gravitational waves from merging black holes and the subsequent detection of the collision of two neutron stars in coincidence with electromagnetic observations have inaugurated a new era of multimessenger astrophysics. To enhance the scope of this emergent science, we proposed the use of deep convolutional neural networks for the detection and characterization of gravitational wave signals in real-time. This method, Deep Filtering, was initially demonstrated using simulated LIGO noise. In this article, we present the extension of Deep Filtering using real data from the first observing run of LIGO, for both detection and parameter estimation of gravitational waves from binary black hole mergers with continuous data streams from multiple LIGO detectors. We show for the first time that machine learning can detect and estimate the true parameters of a real GW event observed by LIGO. Our comparisons show that Deep Filtering is far more computationally efficient than matched-filtering, while retaining similar sensitivity and lower errors, allowing real-time processing of weak time-series signals in non-stationary non-Gaussian noise, with minimal resources, and also enables the detection of new classes of gravitational wave sources that may go unnoticed with existing detection algorithms. This approach is uniquely suited to enable coincident detection campaigns of gravitational waves and their multimessenger counterparts in real-time.

研究の動機と目的

• 非定常的かつ非ガウス的LIGOノイズにおける重力波信号をリアルタイムで、計算的に効率的に検出する手法の開発。
• 従来の深層学習研究をシミュレートされたデータから実LIGOデータへと拡張し、実際のGWイベントにおける実現可能性を実証すること。
• 再訓練なしに多様なノイズ条件下でも、二重ブラックホール合体信号の検出とパrameter推定を可能にすること。
• 新たな信号クラスへの一般化能力と、一時的なノイズアーティファクト（ノイズノイズ）への耐性を示すこと。
• リアルタイムマルチメッセンジャーフォローアップと既存のマッチドフィルタリングパイプラインへの統合を可能にする、スケーラブルでリソースを低く抑えたパイプラインの提供。

提案手法

• 2段階のディープラーニングパイプラインを採用：1秒のスライディングウィンドウ分類器CNNが潜在的信号を検出し、その後にパラメータ推定を行う予測器CNNが続く。
• 分類器は、ReLU活性化関数を用いた4層のCNNで構成され、カーネルサイズは16, 16, 16, 32であり、ストライド4の最大プーリングが適用される。
• 特徴抽出後の全結合層を用いて、複数のパラメータ（例：質量）の回帰を実行する予測器CNN。
• 感受野を拡大し、一時的特徴の検出を向上させるために、率1, 2, 2, 2のドーリエートド畳み込みが適用される。
• 入力は、LIGOオープンサイエンスセンターから入手した実LIGOノイズセグメントの平均パワー周波数スペクトル密度（PSD）を用いてホワイトニングされる。
• モデルは2,500件のシミュレートされた二重ブラックホール波形（1 M☉刻みで5–75 M☉）を用いて学習され、GW150914、LVT151012、GW151226の実ノイズと未学習の質量範囲でテストされた。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、マッチドフィルタリングと同等の感度で、実LIGOデータからの重力波信号を検出可能か？
• RQ2 モデルは再訓練なしに、異なるLIGOノイズパワー周波数スペクトル密度（PSD）に一般化可能か？
• RQ3 非ガウス的で一時的なノイズアーティファクト（ノイズノイズ）が存在する状況下で、モデルの性能はいかがなものか？
• RQ4 モデルはテンプレート間の補間が可能で、学習時のパrameter空間外の信号を検出可能か？
• RQ5 モデルは、下流のマッチドフィルタリングやマルチメッセンジャーフォローアップキャンペーンの高速化に利用可能か？

主な発見

• Deep Filteringは、再訓練なしに実LIGO重力波イベント（GW150914など）を実際にデータストリームから検出し、パrameterを推定することに成功した。
• マッチドフィルタリングと同等の感度を達成しながら、推論速度が数個のオーダー以上に高速であり、単一のCPUまたはGPUでもリアルタイム処理が可能である。
• 異なるノイズPSDや、学習時に見なかった新しい信号パラメータに対しても一般化でき、強いインダクティブバイアスと補間能力を示した。
• マッチドフィルタリングよりも非ガウス的ノイズノイズに対して優れた耐性を示し、ノイズノイズ分類や検出器の特徴評価への応用可能性を示唆した。
• 一度の学習実行後、最小限の計算リソースで新しいデータストリームをリアルタイムで処理可能であり、スケーラブルな展開が可能である。
• Deep Filteringによる予測パラメータは、マッチドフィルタリングによる迅速な検証を可能にし、完全なベイズ的パラメータ推定とマルチメッセンジャーアラート生成の高速化に貢献した。