[論文レビュー] Demonstration of Machine Learning-assisted real-time noise regression in gravitational wave detectors

M. Saleem, Alec Gunny+18 more|arXiv (Cornell University)|Jun 20, 2023

Pulsars and Gravitational Waves ResearchPhysics and Astronomy被引用数 3

ひとこと要約

この論文は、DeepCleanと呼ばれる畳み込みニューラルネットワークを提示する。DeepCleanは、60 Hzの電力線高調波などの非線形的で非定常的なノイズ（例：60 Hzの電力線高調波）を推定・差し引くために見守りセンサーを使用することで、重力波検出器におけるリアルタイムで低遅延のノイズ回帰を可能にする。これにより、天体的信号が損なわれることなく信号対雑音比が向上し、遅延は1〜2秒にまで低く抑えられる。

ABSTRACT

Real-time noise regression algorithms are crucial for maximizing the science outcomes of the LIGO, Virgo, and KAGRA gravitational-wave detectors. This includes improvements in the detectability, source localization and pre-merger detectability of signals thereby enabling rapid multi-messenger follow-up. In this paper, we demonstrate the effectiveness of extit{DeepClean}, a convolutional neural network architecture that uses witness sensors to estimate and subtract non-linear and non-stationary noise from gravitational-wave strain data. Our study uses LIGO data from the third observing run with injected compact binary signals. As a demonstration, we use extit{DeepClean} to subtract the noise at 60 Hz due to the power mains and their sidebands arising from non-linear coupling with other instrumental noise sources. Our parameter estimation study on the injected signals shows that extit{DeepClean} does not do any harm to the underlying astrophysical signals in the data while it can enhances the signal-to-noise ratio of potential signals. We show that extit{DeepClean} can be used for low-latency noise regression to produce cleaned output data at latencies $\sim 1-2$\, s. We also discuss various considerations that may be made while training extit{DeepClean} for low latency applications.

研究の動機と目的

• 重力波検出器におけるリアルタイムで低遅延のノイズ回帰を可能にし、検出感度を向上させるとともに、迅速なマルチメッセンジャーフォローアップを可能にする。
• 検出器感度を低下させる非線形的で非定常的なノイズ結合（例：60 Hzの電力線高調波）の課題に対処する。
• 機械学習ベースのノイズ差し引きが、実際に存在する天体的信号に歪みや損傷を引き起こさないことを検証する。
• ノイズ回帰モデルの最適な再トレーニング頻度を特定し、時間経過に伴う性能維持を図る。
• O4観測期間に向けた将来の運用において、低遅延要件を満たす形でDeepCleanを本番環境に導入可能であることを実証する。

提案手法

• 補助的な見守りセンサーのチャンネルを用いて、重力波ストレインデータからのノイズをモデル化・回帰するための畳み込みニューラルネットワーク（CNN）アーキテクチャであるDeepCleanを採用する。
• 1秒のデータフレームを用いて、LIGOの第3期観測（O3）の履歴データを用いてモデルをトレーニングし、低遅延推論を可能にする。
• ストレインチャンネルから特に60 Hzおよびその側帯域成分のノイズ成分を推定・差し引くことで、リアルタイムデータをクリーンアップする。
• 次の1秒フレームを待つ戦略を採用することで、クリーンアップされたセグメントにおけるエッジアーティファクトを低減し、現在のセグメントにエッジ効果が生じないことを保証する。
• コンパクトバイナリ検出やインジェクション信号におけるパrameter推定といった下流アプリケーションを用いて性能を検証する。
• 異なる日付のデータを用いて再トレーニングし、アドミittanceスペクトル密度（ASD）比を測定することで、モデルの時間的安定性を評価する。

Figure 1: The top diagram illustrates the DeepClean architecture and the workflow. DeepClean takes timeseries data from multiple witness channels as input and runs it through a fully convolutional autoencoder. The autoencoder has four convolution layers for downsampling and four transpose-convolutio

実験結果

リサーチクエスチョン

• RQ1 DeepCleanは、重力波検出器において1〜2秒の遅延でリアルタイムのノイズ回帰を達成できるか？
• RQ2 DeepCleanは、天体的信号に歪みや劣化を引き起こさずに信号対雑音比を向上させられるか？
• RQ3 非定常的結合に対して最適な性能を維持するには、DeepCleanモデルをどの程度の頻度で再トレーニングする必要があるか？
• RQ4 非線形結合に起因する60 Hzの電力線ノイズおよびその側帯域を、モデルが効果的に低減できるか？
• RQ5 O4のような将来の観測期間における、低遅延オンライン処理へのDeepCleanの実用的意味は何か？

主な発見

• DeepCleanは、60 Hzの電力線ノイズおよびその側帯域を、1〜2秒程度の遅延でリアルタイムで低減することに成功した。
• インジェクションされたコンパクトバイナリ信号の信号対雑音比は、DeepClean処理後、向上したが、元の天体的信号内容に劣化は認められなかった。
• 以前の日付のデータでトレーニングしたモデルを、後の日付のデータに適用した場合、性能が低下した。これは、60 Hzノイズに対して1〜2日ごとの再トレーニングが必要であることを示している。
• 20日目のデータでトレーニングしたモデルを用いた場合、クリーンアップされたデータのASD比は0.6を超えたが、それより前のデータでトレーニングした場合、0.6未満にとどまった。これは、時間的に変化する結合特性を確認するものである。
• DeepCleanモデルは計算的に効率的であり、30分ごとまたはそれ以下で再トレーニングが可能であるため、非定常的ノイズ源に対して頻繁な更新が可能である。
• エッジ補正戦略（次のフレームを待つ）により、高遅延モードの結果を低遅延モードでも効果的に再現でき、オンライン導入に向けたアプローチの妥当性が検証された。

Figure 2: This schematic shows the training strategy used for analyzing the mock data. The grey shaded segments represent science-quality data, and the yellow indicates that a model training is performed at the beginning of each science segment. The green segments represents one-hour long inference