[논문 리뷰] Deep Learning for Real-time Gravitational Wave Detection and Parameter Estimation with LIGO Data

Daniel J. George, E. A. Huerta|arXiv (Cornell University)|2017. 11. 21.

Pulsars and Gravitational Waves Research인용 수 10

한 줄 요약

이 논문은 실시간으로 실제 LIGO 데이터에서 중력파 신호를 탐지하고 파arameter를 추정할 수 있는 딥 컨volution 신경망(CNN) 프레임워크인 Deep Filtering를 제시한다. 이는 매칭 필터링과 유사한 민감도를 달성하면서도 추론 속도가 수개의 지수만큼 빠르고 비정규 분포 잡음 간섭에 대해 더 뛰어난 내성성을 보인다. 이는 기존 재학습 없이도 다양한 잡음 조건에서 실제 LIGO 관측에서 진짜 중력파 신호를 성공적으로 복원할 수 있음을 처음으로 입증한다.

ABSTRACT

The recent Nobel-prize-winning detections of gravitational waves from merging black holes and the subsequent detection of the collision of two neutron stars in coincidence with electromagnetic observations have inaugurated a new era of multimessenger astrophysics. To enhance the scope of this emergent science, we proposed the use of deep convolutional neural networks for the detection and characterization of gravitational wave signals in real-time. This method, Deep Filtering, was initially demonstrated using simulated LIGO noise. In this article, we present the extension of Deep Filtering using real data from the first observing run of LIGO, for both detection and parameter estimation of gravitational waves from binary black hole mergers with continuous data streams from multiple LIGO detectors. We show for the first time that machine learning can detect and estimate the true parameters of a real GW event observed by LIGO. Our comparisons show that Deep Filtering is far more computationally efficient than matched-filtering, while retaining similar sensitivity and lower errors, allowing real-time processing of weak time-series signals in non-stationary non-Gaussian noise, with minimal resources, and also enables the detection of new classes of gravitational wave sources that may go unnoticed with existing detection algorithms. This approach is uniquely suited to enable coincident detection campaigns of gravitational waves and their multimessenger counterparts in real-time.

연구 동기 및 목표

• 비정상적이고 비정규 분포 잡음이 있는 LIGO 환경에서 실시간으로 계산 효율적인 중력파 신호 탐지 방법을 개발한다.
• 기존의 시뮬레이션 데이터 기반 딥 러닝 연구를 실제 LIGO 데이터로 확장하여 실제 중력파 사건에서의 가능성을 입증한다.
• 재학습 없이 다양한 잡음 조건에서 이진 블랙홀 융합 신호의 탐지 및 파arameter 추정을 가능하게 한다.
• 새로운 신호 유형으로의 일반화와 일시적 잡음 아티팩트( glitches)에 대한 내성성을 입증한다.
• 실시간 다중메시저 후속 조치 및 기존 매칭 필터링 파이프라인과의 통합을 위한 확장 가능하고 자원 소모가 적은 파이프라인을 제공한다.

제안 방법

• 두 단계로 구성된 딥 러닝 파이프라인을 사용한다: 1초 슬라이딩 윈도우 분류기 CNN이 잠재적 신호를 탐지하고, 그 다음 예측기 CNN이 소스 파arameter를 추정한다.
• 분류기에서는 ReLU 활성화 함수를 사용하는 4층 CNN을 사용하며, 커널 크기는 각각 16, 16, 16, 32이며, 스트라이드 4의 맥스 풀링을 적용한다.
• 예측기 CNN은 컨volution 특징 추출 후 완전 연결층을 사용해 다중 파arameter 회귀(예: 질량)를 수행한다.
• 감지기의 감지 범위를 넓히고 일시적 특징을 더 잘 포착하기 위해 확장 컨볼루션(dilated convolutions)을 사용하며, 확장 비율은 각각 1, 2, 2, 2이다.
• 입력은 LIGO 오픈 과학 센터에서 제공하는 실제 LIGO 잡음 세그먼트의 평균 파wer 스펙트럼 밀도(PSD)를 사용해 화이트닝된다.
• 모델은 2,500개의 시뮬레이션된 이진 블랙홀 웨이브폼(1M☉ 간격으로 5–75 M☉ 범위)으로 훈련되었으며, 테스트는 GW150914, LVT151012, GW151226의 실제 잡음에서 수행되었다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 매칭 필터링과 유사한 민감도로 실제 LIGO 데이터에서 중력파 신호를 탐지할 수 있는가?
• RQ2 모델은 재학습 없이 다양한 LIGO 잡음 파워 스펙트럼 밀도(PSD)에 일반화될 수 있는가?
• RQ3 비정규 분포 잡음 아티팩트( glitches) 존재 시 모델의 성능은 어떠한가?
• RQ4 모델은 훈련된 파arameter 공간 외부의 신호를 보간하여 탐지할 수 있는가?
• RQ5 모델을 사용해 후속 매칭 필터링 및 다중메시저 후속 조치 캠페인을 가속화할 수 있는가?

주요 결과

• Deep Filtering는 재학습 없이도 실제 데이터 스트림에서 GW150914와 같은 실제 LIGO 중력파 사건을 성공적으로 탐지하고 파arameter를 추정하였다.
• 매칭 필터링과 유사한 민감도를 확보하면서도 수개의 지수만큼 더 빠른 속도를 기록하여 단일 CPU 또는 GPU에서 실시간 처리가 가능했다.
• 모델은 훈련 중에 볼 수 없었던 다양한 잡음 PSD와 새로운 신호 파arameter에 일반화되었으며, 강력한 인덕티브 바이어스와 보간 능력을 입증했다.
• 매칭 필터링보다 비정규 분포 잡음 간섭에 더 뛰어난 내성성을 보였으며, 이는 간섭 유형 분류 및 검출기 특성 분석에 응용 가능할 잠재력을 보였다.
• 단 한 번의 훈련 후 모델은 최소한의 계산 오버헤드로 새로운 데이터 스트림을 실시간으로 처리할 수 있었으며, 확장 가능한 배포가 가능했다.
• Deep Filtering에서 예측한 파arameter는 매칭 필터링을 통한 신속한 검증을 가능하게 하여 전체 베이지안 파arameter 추정 및 다중메시저 경고 생성을 가속화했다.