[論文レビュー] Statistically-informed deep learning for gravitational wave parameter estimation

Hongyu Shen, E. A. Huerta+3 more|arXiv (Cornell University)|Mar 5, 2019

Pulsars and Gravitational Waves Research参考文献 84被引用数 26

ひとこと要約

この論文は、時間領域のLIGOストレインデータから直接、二重ブラックホール質量（m1, m2）、最終スピン（af）、リングダウンモード周波数および減衰時間（ωR, ωI）を推定する統計的に整合した深層学習フレームワークを導入する。変更を加えたWaveNetアーキテクチャと対照的学習、ノーマライジングフローを組み合わせることで、ベイズ推論と整合する事後分布を生成し、1枚のV100 GPUで1ミリ秒未塔の推論速度を達成。5つの実際のイベントにおいてPyCBC Inferenceの結果と一致した。

ABSTRACT

We introduce deep learning models to estimate the masses of the binary components of black hole mergers, $(m_1,m_2)$, and three astrophysical properties of the post-merger compact remnant, namely, the final spin, $a_f$, and the frequency and damping time of the ringdown oscillations of the fundamental $\ell=m=2$ bar mode, $(\omega_R, \omega_I)$. Our neural networks combine a modified $ exttt{WaveNet}$ architecture with contrastive learning and normalizing flow. We validate these models against a Gaussian conjugate prior family whose posterior distribution is described by a closed analytical expression. Upon confirming that our models produce statistically consistent results, we used them to estimate the astrophysical parameters $(m_1,m_2, a_f, \omega_R, \omega_I)$ of five binary black holes: $ exttt{GW150914}, exttt{GW170104}, exttt{GW170814}, exttt{GW190521}$ and $ exttt{GW190630}$. We use $ exttt{PyCBC Inference}$ to directly compare traditional Bayesian methodologies for parameter estimation with our deep-learning-based posterior distributions. Our results show that our neural network models predict posterior distributions that encode physical correlations, and that our data-driven median results and 90$\%$ confidence intervals are similar to those produced with gravitational wave Bayesian analyses. This methodology requires a single V100 $ exttt{NVIDIA}$ GPU to produce median values and posterior distributions within two milliseconds for each event. This neural network, and a tutorial for its use, are available at the $ exttt{Data and Learning Hub for Science}$.

研究の動機と目的

• 重力波ストレインデータから二重ブラックホール合体の主要な天体物理学的パラメータを推定する計算効率の高い深層学習モデルの開発。
• 解析的に扱いやすい事後分布を持つガウス共役事前分布を用いてトレーニングすることで、統計的整合性の確保。
• 質量に加えて、合体後の残渣の性質である最終スピン（af）および準正規モード周波数および減衰時間（ωR, ωI）の推定。
• PyCBC Inferenceを用いた確立されたベイズ推論と比較し、モデルの予測精度と物理的整合性の検証。
• 将来の大規模な重力波調査に適した、リアルタイムかつ高スループットのパラメータ推定の実現。

提案手法

• 時間領域の重力波ストレインデータを処理する、変更を加えたWaveNetアーキテクチャが、ソースパラメータに関連する特徴を抽出する。
• 正例ペア間の類似性を高め、負例ペア間の対比を強化することで、特徴表現の向上を図る対照的学習が適用される。
• ノーマライジングフローを用いて、パラメータ（m1, m2, af, ωR, ωI）の複雑で多峰性を持つ事後分布をモデル化する。
• 統計的検証のため、ガウス共役事前分布を用いて、アドバンスドLIGOノイズに埋め込まれたシミュレートされた重力波信号でトレーニングされる。
• 学習されたノーマライジングフローから事後サンプルが生成され、不確実性の定量化と信頼区間推定が可能になる。
• 1枚のV100 GPUを用いた推論が高速化され、1イベントあたりの中央値推定と完全な事後分布予測が2ミリ秒未塔で達成された。

実験結果

リサーチクエスチョン

• RQ1 シミュレートデータでトレーニングされた深層学習モデルは、二重ブラックホールパラメータの統計的に整合する事後分布を生成できるか？
• RQ2 モデルは時間領域ストレインデータから直接、最終スピン（af）およびリングダウンモードパラメータ（ωR, ωI）をどれほど正確に推定できるか？
• RQ3 深層学習で生成された事後分布は、パラメータ間の物理的相関をどの程度正しく表現しているか？
• RQ4 深層学習モデルの中央値推定値および90％信頼区間は、従来のベイズ推論（PyCBC Inference）と比べてどの程度一致するか？
• RQ5 最小限の計算コストで高精度なパラメータ推定を達成できるか。これにより、大規模な重力波データのリアルタイム解析が可能になるか？

主な発見

• 深層学習モデルは、ガウス共役事前分布族から導かれる解析的事後分布と統計的に整合する事後分布を生成した。
• GW150914、GW170104、GW170814、GW190521、GW190630の5つの実際の重力波イベントにおいて、モデルの中央値推定値および90％信頼区間はPyCBC Inferenceの結果とよく一致した。
• モデルはパラメータ間の物理的相関、特に二重ブラックホール質量と最終ス pin（af）の間の相関を適切に捉えた。
• 1枚のV100 GPUを用いて、1イベントあたり2ミリ秒未塔の推論速度を達成し、大規模な調査におけるリアルタイム応用が可能になった。
• モデルが生成する事後分布は多峰性を持ち、ベイズ手法との比較によって、パラメータ空間の真の不確実性構造を反映していることが確認された。
• 本フレームワークは、データと学習ハブ・サイエンスでのチュートリアルとともに公開されており、再現性とコミュニティの採用を促進している。