[論文レビュー] Deterministic and Bayesian Neural Networks for Low-latency Gravitational Wave Parameter Estimation of Binary Black Hole Mergers

Hongyu Shen, E. A. Huerta+3 more|arXiv (Cornell University)|Mar 5, 2019

Pulsars and Gravitational Waves Research被引用数 19

ひとこと要約

この論文は、1000万を超える重力波波形を用いて、低遅延な二重ブラックホール合体のパラメータ推定のための決定論的およびベイジアンニューラルネットワークを紹介する。Thetaスパコンで訓練されたモデルは、1つのGPUで2ms未塔の推論を達成し、従来のベイジアン解析と一致する正確でノイズに強いパラメータ推定を提供する。

ABSTRACT

We present the first application of deep learning for gravitational wave parameter estimation of binary black hole mergers evolving on quasi-circular orbits with aligned or anti-aligned spins. We use root-leaf structured networks to ensure that common physical features are shared across all parameters. In order to cover a broad range of astrophysically motivated scenarios, we use a training dataset with over $10^7$ modeled waveforms to ensure local time- and scale-invariance. The trained models are applied to estimate the astrophysical parameters of the existing catalog of detected binary black hole mergers, and their corresponding black hole remnants, including the final spin and the gravitational wave quasi-normal frequencies. Using a deterministic neural network model, we are able to efficiently provide point-parameter estimation results, along with statistical errors caused by the noise spectrum uncertainty. We also introduce the first application of Bayesian neural networks for gravitational wave parameter estimation of real astrophysical events. These probabilistic models were trained with over $10^7$ modeled waveforms and using 1024 nodes (65,536 core processors) on the Theta supercomputer at Argonne Leadership Computing Facility to reduce the training stage to just thirty minutes. In inference mode, both the deterministic and Bayesian neural networks estimate the astrophysical parameters of binary black hole mergers within 2 milliseconds using a single Tesla V100 GPU. Both deterministic and Bayesian neural networks produce agreeing parameter estimation results, which are also consistent with Bayesian analyses used to characterize the catalog of binary black hole mergers observed by the advanced LIGO and Virgo detectors.

研究の動機と目的

• LIGOとVirgoが検出する二重ブラックホール合体のリアルタイムで低遅延なパラメータ推定を可能にすること。
• 時間的・スケール不変性やパラメータ間の共有特徴といった物理的制約を満たすニューラルネットワークの開発。
• 物理的に妥当な1000万を超える波形を含む大規模データセットを用いて訓練し、モデルの頑健性と一般化性能を確保すること。
• 実際のカタログ事象に、決定論的およびベイジアンニューラルネットワークを適用し、最終スピンや準正規モード周波数の推定を実施すること。
• LIGO-Virgoカタログの分析に用いられる標準的なベイジアン推論手法と比較して、ディープラーニングの結果を検証すること。

提案手法

• すべての天体物理学的パラメータ間で共有される物理的特徴を強制するために、ルート-リーフ構造のニューラルネットワークを採用した。
• 時間的・スケール不変性を確保するため、円軌道に近い軌道とスピンが整列または反平行な状態の、10^7を超えるシミュレート波形のデータセットを用いてモデルを訓練した。
• Thetaスパコンを用い、1024ノード（65,536コア）を用いて、30分未塔でベイジアンニューラルネットワークを訓練した。
• ノイズスペクトルの不確実性に起因する統計的誤差を評価できるように、決定論的ネットワークを用いて高速な点推定を実施した。
• ベイジアンニューラルネットワークを用いて、全事後分布を提供し、実際の天体物理学的出来事における不確実性の定量化を可能にした。
• 1つのTesla V100 GPUで推論を実行し、推論時間を2ミリ秒未塔に抑えた。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、従来のベイジアン推論と同等の精度で、低遅延な二重ブラックホール合体のパラメータ推定を達成できるか？
• RQ2 ルート-リーフ構造のニューラルネットワークは、重力波パラメータ推定において、時間的・スケール不変性といった物理的不変性を効果的に表現できるか？
• RQ3 大規模な波形データセットで訓練されたベイジアンニューラルネットワークは、実際のLIGO-Virgo事象に対して信頼性のある不確実性の定量化を提供できるか？
• RQ4 ディープラーニングモデルのパラメータ推定結果は、LIGO-Virgoカタログの標準的なベイジアン解析の結果とどのように一致するか？
• RQ5 高性能コンピューティングを用いて、重力波解析のための複雑なベイジアンニューラルネットワークの訓練を30分未塔に短縮できるか？

主な発見

• 決定論的ニューラルネットワークは、1つのTesla V100 GPUを用いて、1事象あたり2ミリ秒未塔のパラメータ推定を達成した。
• ベイジアンニューラルネットワークは、Thetaスパコンの1024ノード（65,536コアプロセッサ）を用いて、30分未塔で訓練された。
• 決定論的およびベイジアン両モデルは、すべてのカタログ事象において、最終ス pin および準正規モード周波数を含む一貫したパラメータ推定を実施した。
• ディープラーニングの結果は、LIGO-Virgo二重ブラックホールカタログを特徴付けるために用いられた従来のベイジアン推論と強い一致を示した。
• ノイズスペクトルの不確実性に起因する統計的誤差推定を提供し、リアルタイム応用における信頼性を向上させた。
• 本アプローチは、重力波天文学におけるリアルタイムで低遅延なパラメータ推定の実現可能性を示した。