[論文レビュー] Simulating Transient Noise Bursts in LIGO with gengli

M. Lopez Portilla, V. Boudart+2 more|arXiv (Cornell University)|May 18, 2022

Model Reduction and Neural Networks被引用数 5

ひとこと要約

本稿では、LIGOデータにおける現実的な時間領域のブリップノイズノイズを合成するための、GANベースのオープンソースツールgengliを提案する。O2データからノイズ除去・再構築されたノイズを用いて学習し、正則化されたノイズ除去を施した変更版Wasserstein GANを採用することで、統計的に類似したノイズを生成し、重力波天文学におけるノイズ分類の改善、パイプラインのテスト、モックデータチャレンジの実現に貢献する。

ABSTRACT

In the field of gravitational-wave (GW) interferometers, the most severe limitation to the detection of transient signals from astrophysical sources comes from transient noise artefacts, known as glitches, that happens at a rate around $1$ per minute. Because glitches reduce the amount of scientific data available, there is a need for better modelling and inclusion of glitches in large-scale studies, such as stress testing the search pipelines and increasing the confidence of detection. In this work, we employ a Generative Adversarial Network (GAN) to produce a particular class of glitches ({\it blip}) in the time domain. We share the trained network through a user-friendly open-source software package called exttt{gengli} and provide practical examples of its usage.

研究の動機と目的

• 大規模な重力波データ解析を支援するため、LIGOデータに存在する一時的ノイズバースト（ノイズ）を合成する信頼性の高い手法の開発。
• ラベル付きノイズデータの不足と手動分類の難易度に起因する課題を解決し、スケーラブルで再現可能な合成ノイズの供給源を提供。
• 生成されたノイズを用いた現実的なモックデータチャレンジを通じて、重力波探索パイプラインの耐障害性を向上。
• 研究者が統計的新奇性指標に基づいて、異常なノイズを生成・スケーリング・リサンプリング・フィルタリングできる、使いやすいオープンソースツールの提供。

提案手法

• Weiら（2018）の手法に由来する修正版Wasserstein損失を用いて、時間系列GANを訓練し、安定した学習と高精細なブリップノイズの生成を実現。
• 実際のLIGO O2データを、データ駆動型ウェーブレット再構築手法であるBayesWaveを用いてブリップを抽出し、rROFノイズ除去を適用して高周波数ノイズを低減することで前処理。
• SNR式：$ \rho^2 = 4\int_{f_{\text{min}}}^{f_{\text{max}}} olimits \frac{|\tilde{g}(f)|^2}{S_n(f)} \, df $ を用いて、標的の信号対ノイズ比（SNR）に合わせて生成されたノイズをスケーリング・リサンプリングし、所望の検出感度を確保。
• 3つの距離指標（Wasserstein距離（$d_W$）、不一致（$d_{mm}$）、正規化相互共分散（$1-k$））を用いた新奇性フィルタリング機構を実装し、異常なノイズを特定・除外。
• リアルタイムでの生成サンプルのフィルタリングを可能にするために、1,000個のノイズを含むベンチマーク集団を構築し、百分位数に基づく異常度スコア（$p_W, p_{mm}, p_{cc}$）を計算。
• 訓練済みモデルと完全な機能をオープンソースのPythonパッケージgengliとして公開し、ノイズ生成、スケーリング、フィルタリングへの容易なアクセスを可能に。

実験結果

リサーチクエスチョン

• RQ1 ノイズや不完全な入力データを伴う中で、GANモデルは、実際のLIGOブリップノイズの統計的および時間周波数的特性を効果的に学習し、再現できるか？
• RQ2 制御可能な信号対ノイズ比とサンプリングレートで、現実的なモックデータチャレンジを支援する合成ノイズをどのように生成できるか？
• RQ3 生成されたGANによる異常または外れ値のノイズサンプルを信頼性高く特定・フィルタリングするための指標は何か？
• RQ4 生成されたノイズの統計的性質（例：距離の分布）が、学習データとどの程度一致するか。これは、分布学習の忠実さを示唆する。
• RQ5 オープンソースツールgengliは、コミュニティがノイズ分類、パイプラインのストレステスト、将来の検出器開発に活用できるか？

主な発見

• gengli GANは、Wasserstein距離（$d_W$）、不一致（$d_{mm}$）、相互共分散（$d_{cc}$）指標において、実際のノイズと統計的に区別できない時間領域のブリップノイズを生成した。
• rROFノイズ除去を施した修正版Wasserstein GANを用いることで、安定した学習と高精細な生成が実現され、高周波数ノイズが学習を妨げるのを軽減した。
• BayesWaveおよびrROFによる前処理後、再構築されたノイズは、特徴的なピーク形状を保持しながらも、不審な高周波数成分を効果的に抑制した。
• 百分位数に基づく異常度スコア（$p_W, p_{mm}, p_{cc}$）を用いた新奇性フィルタリング機構により、生成された集団から異常なノイズが効果的に特定・除外された。
• 1,000個の生成ノイズからなるベンチマーク集団は、一貫した距離分布を示し、フィルタリングパイプラインの信頼性を検証した。
• オープンソースのgengliパッケージにより、ユーザーはSNRおよびサンプリングレートを設定可能な形で、ノイズの生成、スケーリング、リサンプリング、フィルタリングが可能となり、重力波データ解析における多様な応用を支援する。