[論文レビュー] Rapid Identification and Classification of Eccentric Gravitational Wave Inspirals with Machine Learning

Adhrit Ravichandran, A. Vijaykumar+2 more|arXiv (Cornell University)|Feb 1, 2023

Pulsars and Gravitational Waves Research被引用数 6

ひとこと要約

本論文は、分離可能畳み込みニューラルネットワーク（SCNN）を用いた深層学習的手法を提案し、コンパクトな二重星合体からの離心重力波信号を迅速に同定・分類する。合成重力波信号をO4時代のノイズパワー スペクトル密度（PSD）に埋め込んだデータで学習させたモデルは、離心度の検出において98.6%の正確性、離心度レベルの分類において96.2%の正確性を達成し、非離心的イベントに対する計算コストの高いベイズ的パrameter推定の必要性を顕著に低減する。

ABSTRACT

Current templated searches for gravitational waves (GWs) emanated from compact binary coalescences (CBCs) assume that the binaries have circularized by the time they enter the sensitivity band of the LIGO-Virgo-KAGRA (LVK) network. However, certain formation channels predict that in future observing runs (O4 and beyond), a fraction of detectable binaries could enter the sensitivity band with a measurable eccentricity $e$. Constraining $e$ for each GW event with Bayesian parameter estimation methods is computationally expensive and time-consuming. This motivates the need for a machine learning based identification and classification scheme, which could weed out the majority of GW events as non-eccentric and drastically reduce the set of candidate eccentric GWs. As a proof of principle, we train a separable-convolutional neural network (SCNN) with spectrograms of synthetic GWs added to Gaussian noise characterized by O4 representative exttt{PSD}s. We use the trained network to (i) segregate candidates as either eccentric or non-eccentric (henceforth called the detection problem) and (ii) classify the events as non-eccentric $(e = 0)$, moderately eccentric $(e \in (0, 0.2])$, and highly eccentric $(e \in (0.2, 0.5])$. On the detection problem, our best performing network detects eccentricity with $0.914$ accuracy and true and false positive rates of $0.862$ and $0.138$, respectively. On the classification problem, the best performing network classifies signals with $0.853$ accuracy. We find that our trained detector displays close to ideal behavior for the data we consider.

研究の動機と目的

• 離心的重力波イベントにおけるベイズ的パrameter推定の計算ボトルネックを解消すること。
• リアルタイムで離心的でないコンパクトな二重星合体と離心的でないものを区別できる、高速でスケーラブルな機械学習パイプラインの開発。
• 離心的信号を3つのカテゴリに分類すること：非離心的（e=0）、中程度離心的（e∈(0,0.2]）、高離心的（e∈(0.2,0.5]）。
• 訓練済みニューラルネットワークによる事前スクリーニングにより、完全なベイズ推論を要するイベント数を削減すること。
• 将来的にスピン、実際の検出器ノイズ、マルチ検出器データを含めるために拡張可能なプロトタイプフレームワークを確立すること。

提案手法

• 本手法は、合成重力波信号の時間周波数スペクトログラム（Q変換）を用いて学習された分離可能畳み込みニューラルネットワーク（SCNN）を採用する。
• 信号はEccentricTD波形モデルを用いて生成され、O4時代のパワー スペクトル密度（PSD）を有するガウスノイズに埋め込まれる。
• ネットワークは2つのタスクを学習する：(1) 離心的と非離心的信号の2値分類、(2) 3つの離心度ビンへの多クラス分類。
• 性能評価には、正確性、真正陽性率、偽陽性率、および受信者操作特性（ROC）曲線を用い、さまざまな信号サブスペースで評価する。
• 信号対ノイズ比（SNR）、全質量、離心度によって定義される信号サブスペースでモデルをテストし、耐性と「困難な」領域の特定を評価する。
• 一般化性能を向上させるために、多様なパramータの組み合わせによる訓練データの拡張が行われ、アーキテクチャは長時間信号およびマルチ検出器入力への拡張を想定して設計されている。

実験結果

リサーチクエスチョン

• RQ1 計算コストの高いベイズ的推定に依存せずに、深層学習モデルが重力波信号における離心度の存在を正確に検出できるか？
• RQ2 モデルは高い正確性と再現率で、離心的信号を明確な離心度範囲に分類できるか？
• RQ3 信号サブスペース（例：低SNR、高質量、境界付近の離心度値）のうち、ニューラルネットワークの分類に最も挑戦的であるのはどれか？
• RQ4 SNR、全質量、離心度などの異なる信号パラメータによって、モデルの性能はどのように変化するか？
• RQ5 今後のバージョンで、スピン、実際の検出器ノイズ、マルチ検出器データを含めるために、このフレームワークをどの程度拡張できるか？

主な発見

• SCNNは離心度検出において98.6%の正確性を達成し、真正陽性率は0.984、偽陽性率は1.6×10⁻³であった。
• モデルは3つの離心度クラスに信号を分類する際、96.2%の正確性を示し、パラメータ空間全体にわたる強力な一般化性能を確認した。
• 性能が最も低かったのは、離心度の境界付近（例：e∈(0,0.1) および e∈(0.2,0.3)）および高SNR範囲の信号であり、これらが分類に最も困難なサブスペースであることが示された。
• 全質量が(20M⊙,30M⊙)のビンでは分類正確性が最も低く、質量依存の信号複雑性がモデル性能に影響を与える可能性を示唆した。
• ROC曲線解析により、大多数の信号サブスペースでほぼ理想に近い挙動が確認されたが、境界離心度および高SNR領域で最も顕著な性能低下が観察された。
• 本研究では、将来的なモデル改善のための「困難な」パラメータサブスペースを同定し、境界領域での訓練サンプルの増強やカリキュラム学習戦略の使用を提案した。