[논문 리뷰] Demonstration of Machine Learning-assisted real-time noise regression in gravitational wave detectors

M. Saleem, Alec Gunny외 18명|arXiv (Cornell University)|2023. 06. 20.

Pulsars and Gravitational Waves ResearchPhysics and Astronomy인용 수 3

한 줄 요약

이 논문은 뎀프클리닝(DeepClean)을 제시하며, 이는 60 Hz 전력선 고조파와 같은 비선형성 및 비정상적인 잡음(예: 60 Hz 전력선 고조파)을 추정하고 제거함으로써 중력파 탐지기에서 실시간으로 저지연 잡음 회귀를 가능하게 하는 컨볼루션 신경망(CNN)이다. 이로 인해 신호 대 잡음비가 악화되지 않으면서도 향상되며, 지연 시간은 최소 1~2초에 이르게 된다.

ABSTRACT

Real-time noise regression algorithms are crucial for maximizing the science outcomes of the LIGO, Virgo, and KAGRA gravitational-wave detectors. This includes improvements in the detectability, source localization and pre-merger detectability of signals thereby enabling rapid multi-messenger follow-up. In this paper, we demonstrate the effectiveness of extit{DeepClean}, a convolutional neural network architecture that uses witness sensors to estimate and subtract non-linear and non-stationary noise from gravitational-wave strain data. Our study uses LIGO data from the third observing run with injected compact binary signals. As a demonstration, we use extit{DeepClean} to subtract the noise at 60 Hz due to the power mains and their sidebands arising from non-linear coupling with other instrumental noise sources. Our parameter estimation study on the injected signals shows that extit{DeepClean} does not do any harm to the underlying astrophysical signals in the data while it can enhances the signal-to-noise ratio of potential signals. We show that extit{DeepClean} can be used for low-latency noise regression to produce cleaned output data at latencies $\sim 1-2$\, s. We also discuss various considerations that may be made while training extit{DeepClean} for low latency applications.

연구 동기 및 목표

• 중력파 탐지기에서 실시간으로 저지연 잡음 회귀를 가능하게 하여 탐지 민감도를 향상시키고 빠른 다중 메신저 후속 조치를 가능하게 하기.
• 중력파 탐지기 감도를 떨어뜨리는 비선형성 및 비정상적인 잡음 결합(예: 60 Hz 전력선 고조파) 문제를 해결하기.
• 기계학습 기반의 잡음 제거가 실제 천체물리학적 신호에 왜곡이나 손상을 주지 않는지 검증하기.
• 모델 성능을 장기간 유지를 위해 잡음 회귀 모델을 얼마나 자주 재학습해야 하는지 규명하기.
• O4 관측 주기에 맞춰 향후에 실시간으로 구동 가능한 DeepClean의 구현 가능성을 입증하기.

제안 방법

• 보조 증거 센서 채널을 사용하여 중력파 변형 데이터에서 잡음을 모델링하고 회귀하기 위해 DeepClean라는 컨볼루션 신경망(CNN) 아키텍처를 활용한다.
• 1초 프레임 단위로 데이터를 사용하여 LIGO의 제3관측주기(O3) 기록 데이터를 기반으로 모델을 학습시켜 저지연 추론을 가능하게 한다.
• 실시간 데이터에 대해 학습된 모델을 적용하여 변형 채널에서 특히 60 Hz 및 그 사이드밴드 잡음을 추정하고 제거한다.
• 청소된 세그먼트의 가장자리에 발생하는 아티팩트를 줄이기 위해 다음 1초 프레임을 기다리는 전략을 사용하여 현재 세그먼트에 가장자리 효과가 발생하지 않도록 보장한다.
• 청소된 데이터의 성능을 검증하기 위해 주입된 신호에 대한 밀집 이중성체 탐지 및 매개변수 추정과 같은 후속 응용 프로그램을 활용한다.
• 시간에 따른 모델 안정성을 평가하기 위해 다른 날짜의 데이터로 재학습하고, ASD 비율을 통해 신호 대 잡음비 향상 정도를 측정한다.

Figure 1: The top diagram illustrates the DeepClean architecture and the workflow. DeepClean takes timeseries data from multiple witness channels as input and runs it through a fully convolutional autoencoder. The autoencoder has four convolution layers for downsampling and four transpose-convolutio

실험 결과

연구 질문

• RQ1 DeepClean는 중력파 탐지기에서 1~2초의 지연 시간으로 실시간 잡음 회귀를 달성할 수 있는가?
• RQ2 DeepClean는 천체물리학적 신호의 신호 대 잡음비를 향상시키면서도 왜곡이나 품질 저하를 유발하지 않는가?
• RQ3 비정상적인 결합에 대해 장기간 최적의 성능을 유지하기 위해 DeepClean 모델을 얼마나 자주 재학습해야 하는가?
• RQ4 모델은 비선형 결합으로 인해 발생하는 60 Hz 전력선 잡음과 그 사이드밴드를 효과적으로 억제할 수 있는가?
• RQ5 O4와 같은 향후 관측 주기에 맞춰 DeepClean를 저지연 온라인 처리 환경에 구현할 경우 실질적인 영향은 무엇인가?

주요 결과

• DeepClean는 실시간으로 60 Hz 전력선 잡음과 그 사이드밴드를 약 1~2초의 지연 시간으로 효과적으로 감소시켰다.
• DeepClean 처리 후 주입된 밀집 이중성체 신호의 신호 대 잡음비가 향상되었으며, 기존의 천체물리학적 신호 내용에 대한 품질 저하가 없었다.
• 조기 일자 데이터로 학습한 모델이 후속 일자 데이터에 적용되었을 때 성능 저하가 발생함을 확인하여, 60 Hz 잡음에 대해 매일 1~2일마다 재학습이 필요함을 시사했다.
• 20일차 데이터로 학습한 모델을 사용했을 경우 청소된 데이터의 ASD 비율이 0.6을 초과하지만, 이보다 이른 데이터로 학습한 경우는 0.6 이하에 머물러 있어 시간에 따라 변하는 결합 특성임을 확인했다.
• DeepClean 모델은 계산적으로 효율적이며, 30분 이내로 재학습이 가능하여 비정상적인 잡음원에 대한 빈번한 업데이트를 가능하게 한다.
• 가장자리 보정 전략으로 다음 프레임를 기다리는 방식이 저지연 모드에서도 고지연 결과를 효과적으로 재현하여, 온라인 배포에 대한 접근 방식의 타당성을 입증했다.

Figure 2: This schematic shows the training strategy used for analyzing the mock data. The grey shaded segments represent science-quality data, and the yellow indicates that a model training is performed at the beginning of each science segment. The green segments represents one-hour long inference