[論文レビュー] OmegaNeuron: Applying GravitySpy Similarity Methods to the Search for LIGO Glitch Witnesses

Bri Aleman, Derek Davis|arXiv (Cornell University)|Feb 26, 2026

Pulsars and Gravitational Waves Research被引用数 0

ひとこと要約

OmegaNeuron は GravitySpy-風スペクトログラム類似性と Omega Scan を統合して、グリッチの witness チャネルを自動識別し、グリッチの特徴把握を改善し、手動分析の負担を軽減します。

ABSTRACT

Gravitational-wave (GW) astronomy has advanced our understanding of compact mergers through instruments like the Laser Interferometer Gravitational-Wave Observatory (LIGO). However, the extreme sensitivity required for these detections makes the instruments susceptible to short-duration transient noise, or glitches, which obscure GW data. Current tools such as Omega Scan and GravitySpy assist in identifying and classifying such noise, but are limited by manual inspection or dependence on large training sets. To address these challenges, we present extit{OmegaNeuron}, a machine-learning tool that integrates GravitySpy's image similarity methods with Omega Scan's transient analysis to automate the identification of auxiliary channels that witness glitches. Applied to multiple glitch examples, OmegaNeuron consistently highlighted plausible witness channels and showed strong agreement with existing correlation tools, while providing clearer ranking through a quantitative similarity metric. Integrated into the exttt{gwdetchar} package, OmegaNeuron enables faster analysis that improves glitch witness identification, enhancing both detector sensitivity and the reliability of gravitational-wave observations.

研究の動機と目的

• Thousands of auxiliary channels の中からグリッチ witness を識別する課題を動機づけ、対処する。
• GravitySpy 類似性を Omega Scan と組み合わせて単一グリッチ分析のための機械学習ツールを開発する。
• strain チャネルのグリッチの潜在 witness として、補助チャネルを自動で迅速にランキングできるようにする。
• gwdetchar パッケージに OmegaNeuron を統合し、リアルタイムな検出器特性評価をサポートする。

提案手法

• strain および補助チャネルのスペクトログラムを GravitySpy を特徴抽出器として用い、200 次元の特徴ベクトルとして表現する。
• strain の特徴ベクトルと補助チャネルの特徴ベクトルのコサイン類似度として strain 類似度を計算する。
• t-SNE によって高次元関係を可視化し、サブシステム別のチャネルのクラスタリングを定性的に検査する。
• グリッチは同時発生かつ各チャネル間で線形に結合すると仮定して、コサイン類似度指標を正当化する。
• strain スペクトログラムとの類似度に基づいて補助チャネルをランク付けし、潜在的な witness を特定する。

実験結果

リサーチクエスチョン

• RQ1 GravitySpy に由来するスペクトログラム特徴が、strain チャネルのグリッチと形態が類似していることを補助チャネルから示せるか。
• RQ2 自動的に順位付けされた witness チャネルは、既知の結合サブシステムおよび独立した相関ツール（Omega Scan、iDQ、HVeto）と一致するか。
• RQ3 トレーニングデータが乏しい珍しいまたは分類されていないグリッチに対して OmegaNeuron は有効か。
• RQ4 クリーンデータ（グリッチなし）と既知・未知のグリッチの場合で OmegaNeuron の性能はどうなるか。
• RQ5 同時性と線形結合を仮定することの限界は何か、時間遅延や非線形性が結果にどう影響するか。

主な発見

• OmegaNeuron はケーススタディ全体で顕然な witness チャンネルを一貫して強調した。
• 最高類似度のチャネルはしばしば光学系および環境サブシステムから出ており、想定される結合経路と一致していた。
• GW150914 データ（グリッチなし）では、類似度が 0.998 を超えるチャネルがストレインのスペクトログラムの形態と一致した。
• 既知の散乱光グリッチについて、OmegaNeuron は LSC および ASC の想定サブシステム内のチャネルで他のツールよりも高い類似度ランキングを示した。
• 分類されていない珍しいグリッチについて、OmegaNeuron は単一イベントから witness チャネル（例：PSL と LSC）を top 類似度 0.98 以上で識別した。