[論文レビュー] Reduction of transient noise artifacts in gravitational-wave data using deep learning

K. Mogushi|arXiv (Cornell University)|May 21, 2021

Pulsars and Gravitational Waves Research参考文献 10被引用数 6

ひとこと要約

本論文では、現場センサデータを用いてノイズ結合をモデル化することで、重力波データにおける一時的ノイズギャップを低減する深層学習ベースの手法を提示する。この手法は、U-Netアーキテクチャを用いて時間周波数表現からギャップ波形を推定し、ターゲットとなる差し引きを可能にし、真の重力波信号に影響を与えることなく、20–70%の過剰ギャップパワーを低減する。

ABSTRACT

Excess transient noise artifacts, or glitches impact the data quality of ground-based gravitational-wave (GW) detectors and impair the detection of signals produced by astrophysical sources. Mitigation of glitches is crucial for improving GW signal detectability. However, glitches are the product of short-lived linear and non-linear couplings among the interrelated detector-control systems that include optic alignment systems and mitigation of seismic disturbances, generally making it difficult to model noise couplings. Hence, typically time periods containing glitches are vetoed to mitigate the effect of glitches in GW searches at the cost of reduction of the analyzable data. To increase the available data period and improve the detectability for both model and unmodeled GW signals, we present a new machine learning based method which uses on-site sensors/system-controls monitoring the instrumental and environmental conditions to model noise couplings and subtract glitches in GW detector data. We find that our method reduces 20-70% of the excess power in the data due to glitches. By injecting software simulated signals into the data and recovering them with one of the unmodeled GW detection pipelines, we address the robustness of the glitch-reduction technique to efficiently remove glitches with no unintended effects on GW signals.

研究の動機と目的

• 重力波検出器における一時的ノイズギャップが信号検出性を損なうという課題に対処すること。
• 明示的な物理的モデルを必要とせず、検出器サブシステム間の複雑で短時間の線形および非線形ノイズ結合をモデル化する機械学習手法を開発すること。
• 真の重力波信号を損なうことなくギャップをデータから差し引くことを可能にし、利用可能なデータ期間を延ばし、検出感度を向上させること。
• 注入されたシミュレート信号を用いて、信号歪みの不測の影響に対する手法の頑健性を検証すること。

提案手法

• U-Net畳み込みニューラルネットワークを、重力波ストレインデータと補助センサチャネルの時間周波数表現（mSTFT）からギャップ波形を推定するように学習させる。
• モデルはマルチスケールアーキテクチャを用いて時間周波数ドメインにおける局所的および広範な特徴を捉え、正確なギャップ再構築を可能にする。
• ギャップ波形はネットワーク出力から抽出され、逆短時間フーリエ変換（iSTFT）を用いて時間領域に戻される。この際、アーチファクトを最小限に抑えるために位相および振幅補正が施される。
• 推定されたギャップ振幅がしきい値を超える時間セグメントにのみギャップ差し引きが適用される。しきい値は、絶対波形のパーセンタイル（例えば、異なるギャップタイプに対して70番目および90番目のパーセンタイル）によって決定される。
• 補助チャネル（例：地震、レーザー、サスペンションセンサ）を用いてノイズ結合をモデル化し、ノイズメカニズムの関数形に依存しない。
• 信号対ノイズ比（SNR）の保持度を測定することで、シミュレートされた重力波信号をギャップ混在データに注入し、頑健性をテストする。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、その物理的起源を事前に知らない状態でも、重力波データにおける一時的ノイズギャップを効果的にモデル化・差し引くことができるか？
• RQ2 補助センサデータを用いて、メインストレインチャネルからのギャップ波形をどれだけ正確に再構築・除去できるか？
• RQ3 提案されたギャップ差し引き手法は、プロセス中に真の重力波信号の整合性を保っているか？
• RQ4 誤った差し引きを最小限に抑えつつノイズ低減を最大化するための最適なしきい値は何か？
• RQ5 顕著なアーチファクトやSNR劣化を引き起こさずに、過剰ギャップパワーをどれだけ低減できるか？

主な発見

• 本手法により、一時的ギャップに起因する重力波データの過剰パワーの20–70%が低減され、データ品質が顕著に向上する。
• ギャップ差し引きによるSNR低下割合はピーク性能比で3%未満に抑えられ、信号歪みに対する高い頑健性を示す。
• モデルが推定したギャップ波形は、注入信号と高い一致度（中央値 > 0.9）を示し、正確な再構築を確認する。
• 70番目および90番目のパーセンタイルをしきい値として用いることで、ノイズ低減と信号保存の最適なバランスが達成される。
• iSTFT処理における位相および振幅補正により、特に低振幅領域で顕著な振幅誤差が防止される。
• SNR一貫性テストにより確認されたように、高いギャップ振幅領域であっても、検出可能なアーチファクトを引き起こさずにギャップが正常に除去される。