[論文レビュー] Denoising Gravitational Waves using Deep Learning with Recurrent Denoising Autoencoders

Hongyu Shen, Daniel George+2 more|arXiv (Cornell University)|Nov 27, 2017

Pulsars and Gravitational Waves Research被引用数 19

ひとこと要約

本稿では、非ガウス的かつ非定常的ノイズによって汚染された弱い重力波信号を復元するために、双方向LSTMを用いた再帰的ノイズ除去オートエンコーダーSMTDAEを提案する。シミュレートされたガウスノイズのみで訓練されたSMTDAEは、実際のLIGOノイズにおけるPCAや辞書学習を上回り、低SNR（MF SNR = 6.44）において優れた信号回復性能を示し、1秒あたりの推論時間が100ms未塔である。

ABSTRACT

Gravitational wave astronomy is a rapidly growing field of modern astrophysics, with observations being made frequently by the LIGO detectors. Gravitational wave signals are often extremely weak and the data from the detectors, such as LIGO, is contaminated with non-Gaussian and non-stationary noise, often containing transient disturbances which can obscure real signals. Traditional denoising methods, such as principal component analysis and dictionary learning, are not optimal for dealing with this non-Gaussian noise, especially for low signal-to-noise ratio gravitational wave signals. Furthermore, these methods are computationally expensive on large datasets. To overcome these issues, we apply state-of-the-art signal processing techniques, based on recent groundbreaking advancements in deep learning, to denoise gravitational wave signals embedded either in Gaussian noise or in real LIGO noise. We introduce SMTDAE, a Staired Multi-Timestep Denoising Autoencoder, based on sequence-to-sequence bi-directional Long-Short-Term-Memory recurrent neural networks. We demonstrate the advantages of using our unsupervised deep learning approach and show that, after training only using simulated Gaussian noise, SMTDAE achieves superior recovery performance for gravitational wave signals embedded in real non-Gaussian LIGO noise.

研究の動機と目的

• LIGOデータにおける非ガウス的かつ非定常的ノイズによって汚染された弱い重力波信号のノイズ除去の課題に対処すること。
• PCA や辞書学習といった従来手法の限界を克服すること。これらの手法は計算コストが高く、非ガウス的ノイズに対して最適でない。
• 非ガウス的データで再訓練を必要とせず、実世界のLIGOノイズに一般化可能な教師なし深層学習モデルを開発すること。
• 将来の検出キャンペーンに適した、高速かつリアルタイムの重力波信号のノイズ除去を可能にすること。

提案手法

• 提案手法SMTDAEは、双方向LSTMに基づく再帰的RNNに依存する、シーケンス・ツー・シーケンス型で、スタックされたマルチタイムステップのノイズ除去オートエンコーダーである。
• エンコーダーの最終隠れ状態がデコーダーの初期隠れ状態に渡されるエンコーダー・デコーダー構造を採用し、時間的文脈を保持する。
• ノイズの入力波形と既知のクリアな信号を用いて自己教師あり学習で訓練され、MSE損失を用いて再構成誤差を最小化する。
• 訓練は高いピークSNR（2.00、MF SNR = 26）から開始し、徐々にピークSNR 0.50（MF SNR = 6.44）に低下させることで、低SNR信号に対する耐性を高める。
• 推論時に弱い信号成分を強化するために、出力層の前に信号増幅器を適用する。
• 評価には、平均二乗誤差（MSE）およびマッチドフィルタリング（PyCBCを用いて）によるオーバーラップを指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 ガウスノイズのみで訓練された深層学習モデルが、実際の非ガウス的かつ非定常的LIGOノイズに埋め込まれた重力波信号を効果的にノイズ除去できるか。
• RQ2 SMTDAEの性能は、PCA や辞書学習といった従来手法と比較して、信号回復精度と計算効率の面でどのように異なるか。
• RQ3 SMTDAEは、トレーニングデータに含まれない新しい信号タイプ（例：非円形軌道やスピンプリセッシングを持つ二重ブラックホール合体）に対し、どの程度一般化できるか。
• RQ4 本モデルは、リアルタイム重力波検出に適した低遅延の推論性能を維持できるか。

主な発見

• SMTDAEは、ピークSNR 0.50（MF SNR = 6.44）で実LIGOノイズに注入された信号に対して、MSEおよびオーバーラップ指標の両面でPCAや辞書学習を上回った。
• SMTDAEは、MSEがPCAや辞書学習よりも顕著に低く、信号再構成の忠実度が優れていることを示した。
• SMTDAEは、両基準手法よりも高いオーバーラップ値を達成し、基準波形との位相整合性と整合性が優れていることを示した。
• ガウスノイズでのみ訓練されたにもかかわらず、SMTDAEは実LIGOノイズに効果的に一般化し、非ガウス的かつ非定常的ノイズ分布に対しても耐性があることを示した。
• SMTDAEはGPU上で1秒分の入力データを100ミリ秒未塔で処理できるのに対し、PCAは約2分を要するため、著しい高速化が達成された。
• トレーニング時に見られなかった非円形二重ブラックホール合体からの信号を、SMTDAEは正常に回復できた。これは、訓練信号クラスを越えた強力な一般化能力を示している。