[論文レビュー] Nonlinear noise regression in gravitational-wave detectors with convolutional neural networks

Hang Yu, R. X. Adhikari|arXiv (Cornell University)|Nov 5, 2021

Pulsars and Gravitational Waves Research参考文献 65被引用数 4

ひとこと要約

本論文は、Advanced LIGOの60 Hz未満帯域における二重線形に結合されたノイズ（特に角度ノイズ）を軽減する目的で、'スローファースト'構造を有する物理知見を組み込んだ畳み込みニューラルネットワーク（CNN）を提案する。補助センサデータとカリキュラム学習を活用することで、信号対ノイズ比（SNR）が低い状況下でも顕著な非線形ノイズ低減が達成され、標準CNNと比較して外挙および収束性が向上していることが示された。

ABSTRACT

Currently, the sub-60 Hz sensitivity of gravitational-wave (GW) detectors like Advanced LIGO is limited by the control noises from auxiliary degrees of freedom, which nonlinearly couple to the main GW readout. One particularly promising way to tackle this contamination is to perform nonlinear noise mitigation using machine-learning-based convolutional neural networks (CNNs), which we examine in detail in this study. As in many cases the noise coupling is bilinear and can be viewed as a few fast channels' outputs modulated by some slow channels, we show that we can utilize this knowledge of the physical system and adopt an explicit "slow$ imes$fast" structure in the design of the CNN to enhance its performance of noise subtraction. We then examine the requirement in the signal-to-noise ratio (SNR) in both the target channel (i.e., the main GW readout) and in the auxiliary sensors in order to reduce the noise by at least a factor of a few. In the case of limited SNR in the target channel, we further demonstrate that the CNN can still reach a good performance if we adopt curriculum learning techniques, which in reality can be achieved by combining data from quiet times and those from periods with active noise injections.

研究の動機と目的

• 補助自由度からの技術的ノイズが非線形に結合することによって引き起こされるAdvanced LIGOの60 Hz未満帯域における感度制限を是正すること。
• 線形回帰では除去できない、二重線形ノイズ結合（例：角度ノイズ）を効果的に低減する機械学習手法を開発すること。
• ノイズ結合メカニズムの物理的知識をネットワーク構造に埋め込むことで、CNNの性能を向上させること。
• 効果的なノイズ低減のための、対象GW読み出し信号および補助センサにおける信号対ノイズ比（SNR）の要件を特定すること。
• 低SNR下でのCNN収束を可能にするカリキュラム学習の有効性を検証すること。

提案手法

• 本研究では、実際のAdvanced LIGOの状況を模倣したシミュレーテッドデータを用い、ノイズ結合を遅い変調と速い補助信号の二重積としてモデル化した。
• 物理的な二重線形結合メカニズムを明示的に表現できるように、'スローファースト'構造を有する独自のCNNアーキテクチャを設計し、一般化および外挙性能を向上させた。
• KerasおよびTensorFlowを用いてトレーニングを実施し、ADSやOPLEVsなどの複数の補助センサからの入力を活用して、完全なノイズ結合ダイナミクスを捉えた。
• 対象GW読み出し（ターゲット）および補助センサにおける信号対ノイズ比（SNR）のしきい値を体系的に評価し、収束条件を特定した。
• ターゲットチャンネルのSNRが低い状況下での安定性を高めるために、静穏期間とノイズ注入期間のデータを組み合わせたカリキュラム学習を適用した。
• 回帰後のGW読み出し信号における残存ノイズパワーとサイドバンド抑制度を測定することで、性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 物理知見を組み込んだCNNアーキテクチャは、重力波検出器における二重線形ノイズ低減において、標準CNNを上回る性能を示すか？
• RQ2 効果的な非線形ノイズ回帰を実現するための、対象GW読み出し信号および補助センサにおける最小SNR要件は何か？
• RQ3 ターゲットチャンネルのSNRが低い状況下でも、カリキュラム学習はCNNの収束を改善できるか？
• RQ4 'スローファースト'CNN構造は、一般のCNNと比較して、未観測のノイズ条件への一般化性能が優れているか？
• RQ5 CNNは、角度ノイズによって引き起こされるDARM信号のサイドバンドおよび汚染成分をどの程度低減できるか？

主な発見

• 'スローファースト'CNN構造は、特に未観測のノイズ条件への外挙性能において、標準CNNと比較して顕著なノイズ低減性能の向上を示した。
• カリキュラム学習を適用することで、対象GW読み出し信号のSNRが低い状況下でも、CNNは効果的なノイズ除去が可能である。
• 信頼性のある収束には、補助センサにおけるSNRが約3–5以上が必要であり、ターゲットチャンネルのSNRが低い場合でもカリキュラム学習により補償可能である。
• CNNはGW読み出し信号におけるサイドバンドを効果的に抑制し、二重線形ノイズ成分の除去が成功したことを示した。
• 信号再結合キャビティのフラクチュエーションや光の散乱に起因する他の二重線形ノイズ源に対しても、本手法は広範な応用が期待できる。
• 実データにおける性能は、追加のノイズ源やグルーチェス要因によって制限されるが、CNNは特にサイドバンド抑制において、広帯域非線形ノイズ低減の初期の兆しを示している。