[論文レビュー] Using machine learning to auto-tune chi-squared tests for gravitational wave searches

C. McIsaac, I. W. Harry|arXiv (Cornell University)|Mar 7, 2022

Pulsars and Gravitational Waves Research参考文献 56被引用数 13

ひとこと要約

本論文は、最適化されたパラメータが非ガウス的ノイズのグルーピング（ノイズグルーピング）と天体的信号を区別するのを支援する、機械学習フレームワークを提案する。確率的勾配降下法（SGD）を用いて、マッチドフィルタ検索における信号整合性テストのパラメータを最適化し、重力波探索における感度を向上させる。特に、合計質量が300M⊙を超える中質量ブラックホール連星系に対して、感度を約11%向上させた。この手法は、信号応答を保持しながらノイズを効果的に低減することで、性能向上を達成した。

ABSTRACT

The sensitivity of gravitational wave searches is reduced by the presence of non-Gaussian noise in the detector data. These non-Gaussianities often match well with the template waveforms used in matched filter searches, and require signal-consistency tests to distinguish them from astrophysical signals. However, empirically tuning these tests for maximum efficacy is time consuming and limits the complexity of these tests. In this work we demonstrate a framework to use machine-learning techniques to automatically tune signal-consistency tests. We implement a new $\chi^2$ signal-consistency test targeting the large population of noise found in searches for intermediate mass black hole binaries, training the new test using the framework set out in this paper. We find that this method effectively trains a complex model to down-weight the noise, while leaving the signal population relatively unaffected. This improves the sensitivity of the search by $\sim 11\%$ for signals with masses $> 300 M_\odot$. In the future this framework could be used to implement new tests in any of the commonly used matched-filter search algorithms, further improving the sensitivity of our searches.

研究の動機と目的

• 重力波検出器における非ガウス的ノイズの瞬間的変動（グルーピング）が、コンact binary coalescence信号を模倣し、検索感度を低下させることの課題に対処すること。
• マッチドフィルタ検索における信号整合性テストの手動チューニングが時間的にかかる・限界があるという課題を克服すること。
• 既存のマッチドフィルタ検索パイプラインに統合可能な、スケーラブルで学習可能な複雑なχ²テストを訓練するフレームワークを構築すること。
• 高質量信号がノイズ汚染に特に脆弱である中質量ブラックホール連星系の検索における感度向上を図ること。
• 機械学習がマッチドフィルタを置き換えることなく、信号整合性テストを効果的に最適化できることを示すこと。統計的厳密性とネットワーク一致テストの整合性を保つこと。

提案手法

• フレームワークは、マッチドフィルタ応答における異なる周波数帯の重みを調整する可変パラメータを最適化することで、新しいχ²信号整合性テストを確率的勾配降下法（SGD）で訓練する。
• トレーニングは、過去の検索からのノイズトリガとシミュレートされた重力波信号のデータセットを用い、ノイズ集団と信号集団の分離を最大化する損失関数を採用する。
• 新しいχ²テストは、主な信号テンプレートに対して直交するテンプレートを用いて構築され、ガウスノイズ仮定下で低次元χ²分布を実現する。
• モデルは、ノイズに類似したトリガに対して高いχ²値を割り当てつつ、真の信号に対しては低い値を維持するように訓練され、再重み付けされたSNRにおけるノイズの低減を実現する。
• この手法はPyCBC検索フレームワーク内に実装されており、既存のネットワーク一致および検出統計ワークフローを保持する。
• 訓練済みモデルは、誤警報率と感度向上の推定を目的として、時間シフトトリガの非天体的背景を用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 機械学習技術を用いて、重力波探索における信号整合性テストを自動チューニングし、感度を向上させることは可能か？
• RQ2 確率的勾配降下法は、非ガウス的ノイズと天体的信号を区別するためのχ²テストを最適化するためにどの程度有効か？
• RQ3 学習されたχ²テストは、高質量合計質量を持つ中質量ブラックホール連星系の検索において、どの程度感度を向上させるか？
• RQ4 学習されたテストは、統計的厳密性と標準的なマッチドフィルタパイプライン（ネットワーク一致テストを含む）との整合性を保っているか？
• RQ5 このフレームワークは、検出性能を損なわずに、他の検索アルゴリズムや信号クラスへ一般化可能か？

主な発見

• 機械学習ベースの自動チューニングフレームワークは、複雑なχ²信号整合性テストを効果的に訓練し、非ガウス的ノイズを低減しながら信号応答を保持した。
• 新しいテストは、合計質量が300M⊙を超える中質量ブラックホール連星検索の感度を約11%向上させた。
• 感度向上は特に高質量領域で顕著であり、信号持続時間が短く、ノイズ瞬間的変動が信号波形を模倣しやすい状況で顕著に現れた。
• 訓練済みモデルは統計的整合性を維持しており、コア検出統計を変更せずに既存のマッチドフィルタ検索パイプラインに統合可能であった。
• フレームワークは、未観測データに対しても頑健であり、ガウスノイズ仮定下では常に厳密なχ²分布を維持した。特に、新しいグルーピング集団に対しても有効であった。
• この手法は、モデル化されたマッチドフィルタ検索アルゴリズムに適用可能なスケーラブルで汎用的な信号整合性テスト手法を提供した。