[論文レビュー] Real-Time Detection of Unmodelled Gravitational-Wave Transients Using Convolutional Neural Networks

V. Skliris, M. R. Norman+1 more|arXiv (Cornell University)|Sep 30, 2020

Pulsars and Gravitational Waves Research被引用数 9

ひとこと要約

この論文では、検出器のストレインデータと、物理的に許容される光旅行時間遅延の範囲における検出器間のピアソン自己相関を分析することで、リアルタイムにモデル化されていない重力波トランジェントを検出する新しい畳み込みニューラルネットワークパイプラインであるMLyを提示する。本手法は、約1秒の遅延で標準的な未モデル化トランジェント検索と同等の感度を達成し、従来の手法と比較して1000倍以上の計算コスト削減を実現する。

ABSTRACT

Convolutional Neural Networks (CNNs) have demonstrated potential for the real-time analysis of data from gravitational-wave detector networks for the specific case of signals from coalescing compact-object binaries such as black-hole binaries. Unfortunately, training these CNNs requires a precise model of the target signal; they are therefore not applicable to a wide class of potential gravitational-wave sources, such as core-collapse supernovae and long gamma-ray bursts, where unknown physics or computational limitations prevent the development of comprehensive signal models. We demonstrate for the first time a CNN with the ability to detect generic signals -- those without a precise model -- with sensitivity across a wide parameter space. Our CNN has a novel structure that uses not only the network strain data but also the Pearson cross-correlation between detectors to distinguish correlated gravitational-wave signals from uncorrelated noise transients. We demonstrate the efficacy of our CNN using data from the second LIGO-Virgo observing run, and show that it has sensitivity comparable to that of the "gold-standard" transient searches currently used by LIGO-Virgo, at extremely low (order of 1 second) latency and using only a fraction of the computing power required by existing searches, allowing our models the possibility of true real-time detection of gravitational-wave transients associated with gamma-ray bursts, core-collapse supernovae, and other relativistic astrophysical phenomena.

研究の動機と目的

• 正確な信号モデルに依存せずに、一般化された未モデル化トランジェントをリアルタイムで同定できる重力波検出パイプラインの開発を目的とする。
• 従来のCNNベースの手法が訓練に特定の信号テンプレートを必要とすることの制限を克服することを目的とする。
• コアコリプション超新星やガンマ線バースト関連のバーストなど、未知の源からのトランジェント信号を低遅延かつ計算的に効率的に検出できることを目的とする。
• 信号の形状ではなく検出器間の整合性（coherence）を活用することで、重力波バースト（GWB）の感度を向上させることを目的とする。
• 電磁気的フォローアップの時間窓に適合する迅速なアラート発行を可能にすることで、マルチメッセンジャーアストロノミーを支援することを目的とする。

提案手法

• パイプラインは二重ブランチのCNNアーキテクチャを採用している。一方のブランチは個々の検出器からのホワイトナイズドストレインデータを処理し、もう一方は物理的に許容される光旅行時間遅延の範囲における全検出器間のピアソン自己相関タイムシリーズを処理する。
• モデルは特定の信号波形に依存せず、複数検出器間で整合的かつ相関のあるトランジェントを検出できるように、ランダム化され特徴のない信号で訓練される。
• 訓練データには、ネットワークが信号波形に依存するのではなく検出器間の整合性に依存して検出を行うよう強制するため、同一の波形形状を持つシミュレーテッド重力波バーストとノイズグルーピングを含む。
• 約10^3個のタイムシフトされたデータセグメントを用いて誤報率を推定することで、最小限の計算オーバーヘッドで堅牢なしきい値設定が可能になる。
• 1台のA100-SXM4 GPUでリアルタイムでの全分析を処理可能であり、従来の低遅延検索で使用される数百のCPUの必要性を著しく削減する。
• 一時的エネルギーの検出と検出器間整合性の検出をアーキテクチャ的に分離することで、一致するノイズグルーピングを排除しながらも、相関のある信号を堅牢に同定できる。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、特定の信号波形で訓練されないまま、未モデル化された重力波トランジェントを検出可能か？
• RQ2 検出器間自己相関情報は、一般化されたトランジェント信号の検出感度を向上させ得るか？
• RQ3 標準的な未モデル化トランジェント検索と比較して、このようなモデルはリアルタイム性能を達成し、計算コストを最小限に抑えることができるか？
• RQ4 cWBのような確立された低遅延検索手法（例：cWB）と比較して、本モデルの感度および誤報率はどのように異なるか？
• RQ5 整合性（coherence）のみに依存して、真の重力波信号と一致するノイズグルーピングを信頼性高く区別できるか？

主な発見

• MLyは、ゴールドスタンダードとされる未モデル化トランジェント検索手法cWBと同等の感度を達成しており、表1に示す通りである。
• パイプラインは約1秒の遅延で動作し、マルチメッセンジャーフォローアップに適したリアルタイムアラート発行が可能である。
• MLyは従来手法と比較して計算パワーを著しく削減しており、標準的なパイプラインで使用される数百のCPUに比べ、約3〜4台のA100-SXM4 GPUでリアルタイム運用が可能である。
• 訓練データに含まれない多様なシミュレーテッドGWB波形の形態を、モデルは正しく検出できており、未知の波形への一般化能力が裏付けられている。
• 誤報の背景分布は、既知のグルーピングタイプに支配されており、グルーピング分類器による後処理で誤検出をさらに低減できる可能性がある。
• 形状ではなく整合性に依存するアプローチにより、コアコリプション超新星やコズミックストリングのカスプなど、未知または計算的に扱いにくい物理的性質を持つ源からの信号も検出可能である。