[논문 리뷰] Deterministic and Bayesian Neural Networks for Low-latency Gravitational Wave Parameter Estimation of Binary Black Hole Mergers

Hongyu Shen, E. A. Huerta외 3명|arXiv (Cornell University)|2019. 03. 05.

Pulsars and Gravitational Waves Research인용 수 19

한 줄 요약

이 논문은 1,000만 개 이상의 중력파 웨이브폼을 사용하여 이진 블랙홀 병합의 저지연 파arameter 추정을 위한 결정론적 및 베이지안 신경망을 소개한다. 토파 슈퍼컴퓨터에서 훈련된 모델은 단일 GPU에서 2ms 이내의 추론을 달성하여 전통적인 베이지안 분석과 일치하는 정확하고 노이즈에 강건한 파arameter 추정을 제공한다.

ABSTRACT

We present the first application of deep learning for gravitational wave parameter estimation of binary black hole mergers evolving on quasi-circular orbits with aligned or anti-aligned spins. We use root-leaf structured networks to ensure that common physical features are shared across all parameters. In order to cover a broad range of astrophysically motivated scenarios, we use a training dataset with over $10^7$ modeled waveforms to ensure local time- and scale-invariance. The trained models are applied to estimate the astrophysical parameters of the existing catalog of detected binary black hole mergers, and their corresponding black hole remnants, including the final spin and the gravitational wave quasi-normal frequencies. Using a deterministic neural network model, we are able to efficiently provide point-parameter estimation results, along with statistical errors caused by the noise spectrum uncertainty. We also introduce the first application of Bayesian neural networks for gravitational wave parameter estimation of real astrophysical events. These probabilistic models were trained with over $10^7$ modeled waveforms and using 1024 nodes (65,536 core processors) on the Theta supercomputer at Argonne Leadership Computing Facility to reduce the training stage to just thirty minutes. In inference mode, both the deterministic and Bayesian neural networks estimate the astrophysical parameters of binary black hole mergers within 2 milliseconds using a single Tesla V100 GPU. Both deterministic and Bayesian neural networks produce agreeing parameter estimation results, which are also consistent with Bayesian analyses used to characterize the catalog of binary black hole mergers observed by the advanced LIGO and Virgo detectors.

연구 동기 및 목표

• 라이고와 바이로가 감지한 이진 블랙홀 병합의 실시간, 저지연 파arameter 추정을 가능하게 하기 위해.
• 시간 및 척도 불변성과 파arameter 간의 공유 특징을 포함한 물리적 제약을 충족하는 신경망을 개발하기 위해.
• 일관성 있고 일반화된 성능을 확보하기 위해 1,000만 개 이상의 천체물리학적으로 유의미한 웨이브폼으로 구성된 대규모 데이터셋을 사용해 모델을 훈련하기 위해.
• 최종 스핀과 준정규 모드 주파수의 추정을 포함하여 실제 카탈로그 이벤트에 대해 결정론적 및 베이지안 신경망을 적용하기 위해.
• 라이고-바이로 카탈로그에 사용된 기존의 베이지안 추론 방법과 비교하여 딥러닝 결과를 검증하기 위해.

제안 방법

• 모든 천체물리적 파arameter 간에 공유되는 물리적 특징을 강제하기 위해 루트-리프 구조의 신경망을 사용하였다.
• 시간 및 척도 불변성을 확보하기 위해, 원형 궤도에 가까운 궤도와 정렬/반대정렬 스핀을 가진 10^7개 이상의 시뮬레이션 웨이브폼 데이터셋을 사용해 모델을 훈련시켰다.
• 1,024개 노드(65,536개 코어)를 사용한 토파 슈퍼컴퓨터를 활용해 베이지안 신경망을 30분 이내에 훈련시켰다.
• 노이즈 스펙트럼 불확실성에 의한 통계적 오차를 정량화할 수 있는 빠른 점 추정을 위해 결정론적 네트워크를 적용하였다.
• 실제 天체물리학적 이벤트에 대한 불확실성 정량화를 가능하게 하기 위해 전체 사후 분포를 제공하는 베이지안 신경망을 사용하였다.
• 단일 테슬라 V100 GPU에서 추론을 수행하여 2밀리초 이내의 추론 시간을 달성하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 전통적인 베이지안 추론과 유사한 정확도로 이진 블랙홀 병합의 저지연 파arameter 추정을 달성할 수 있는가?
• RQ2 루트-리프 구조의 신경망은 중력파 파arameter 추정에서 시간 및 척도 불변성과 같은 물리적 불변성을 효과적으로 표현할 수 있는가?
• RQ3 대규모 웨이브폼 데이터셋으로 훈련된 베이지안 신경망은 실제 라이고-바이로 이벤트에 대해 신뢰할 수 있는 불확실성 정량화를 제공할 수 있는가?
• RQ4 딥러닝 모델의 파arameter 추정 결과는 라이고-바이로 카탈로그의 기존 베이지안 분석 결과와 어떻게 비교되는가?
• RQ5 고성능 컴퓨팅을 활용해 중력파 분석을 위한 복잡한 베이지안 신경망의 훈련을 30분 이내로 가속화할 수 있는가?

주요 결과

• 결정론적 신경망은 단일 테슬라 V100 GPU를 사용해 1회 이벤트당 2밀리초 이내의 파arameter 추정을 달성하였다.
• 베이지안 신경망은 토파 슈퍼컴퓨터의 1,024개 노드(65,536개 코어 프로세서)를 사용해 30분 이내에 훈련되었다.
• 결정론적 및 베이지안 모델 모두가 모든 카탈로그 이벤트에서 최종 스핀과 준정규 모드 주파수를 포함한 일관된 파arameter 추정을 제공하였다.
• 딥러닝 결과는 라이고-바이로 이진 블랙홀 카탈로그를 특성화하는 데 사용된 전통적인 베이지안 추론과 강한 일치를 보였다.
• 노이즈 스펙트럼 불확실성에 기인한 통계적 오차 추정을 제공하여 실시간 응용 분야에서의 신뢰성을 향상시켰다.
• 이 접근법은 중력파 천문학에서 실시간, 저지연 파arameter 추정의 가능성에 대한 타당성을 입증하였다.