[논문 리뷰] Gravitational-wave signal-to-noise interpolation via neural networks

Kaze W. K. Wong, Ken K. Y. Ng외 1명|arXiv (Cornell University)|2020. 07. 20.

Pulsars and Gravitational Waves Research참고 문헌 1인용 수 7

한 줄 요약

이 논문은 총 질량, 질량 비율, 스핀 크기의 4차원 매개변수 공간을 통해 중력파 신호 대 잡음비(SNR)를 보간하기 위한 다층 퍼셉트론 신경망을 제안한다. 웨이브폼 모델과 검출기 노이즈 곡선에서 유도된 SNR 데이터로 훈련된 네트워크는 4코어 CPU에서 100만 개의 SNR를 1분 이내에 평가하며 중앙값 상대 오차는 0.03% 미만을 기록하여 직접 계산 대비 최대 75,000배의 속도 향상을 달성한다.

ABSTRACT

Computing signal-to-noise ratios (SNRs) is one of the most common tasks in gravitational-wave data analysis. While a single SNR evaluation is generally fast, computing SNRs for an entire population of merger events could be time consuming. We compute SNRs for aligned-spin binary black-hole mergers as a function of the (detector-frame) total mass, mass ratio and spin magnitudes using selected waveform models and detector noise curves, then we interpolate the SNRs in this four-dimensional parameter space with a simple neural network (a multilayer perceptron). The trained network can evaluate $10^6$ SNRs on a 4-core CPU within a minute with a median fractional error below $10^{-3}$. This corresponds to average speed-ups by factors in the range $[120,\,7.5 imes10^4]$, depending on the underlying waveform model. Our trained network (and source code) is publicly available at https://github.com/kazewong/NeuralSNR, and it can be easily adapted to similar multidimensional interpolation problems.

연구 동기 및 목표

• 이질적 블랙홀 병합의 대규모 인구에 대한 SNR 계산의 계산적 한계를 해결하기 위해.
• 기존 방법이 실패하는 다차원 매개변수 공간에서 SNR에 대한 빠르고 정확한 보간 방법을 개발하기 위해.
• 중력파 데이터 분석 전문 지식이 깊지 않은 천문학자들이 신속하게 SNR를 계산할 수 있도록 사용자 友好的이고 오픈소스인 도구를 제공하기 위해.
• 간단한 신경망이 중력파 천문학에서 시간이 오래 걸리는 보간 작업을 효율적으로 해결할 수 있음을 보여주기 위해.
• 미래의 중력파 탐사에서 대규모 인구 연구와 실시간 탐지 가능성 평가를 가능하게 하기 위해.

제안 방법

• 저자들은 선택된 웨이브폼 모델(IMRPhenomD, SEOBNRv4)과 검출기 노이즈 곡선(O3, O4, A+, O5)을 사용하여 정렬된 스핀을 가진 이중 블랙홀에 대한 SNR를 계산한다.
• 검출기 기준 총 질량, 질량 비율, 두 개의 스핀 크기를 포함하는 4차원 매개변수 공간에서 SNR의 훈련 데이터셋을 생성한다.
• 다층 퍼셉트론(MLP) 신경망을 사용하여 이 매개변수 공간을 가로질러 SNR를 보간하도록 훈련하며, 평균 제곱오차(MSE) 손실을 사용한다.
• 검증 손실 기반의 조기 정지 기법을 사용하여 과적합을 방지하면서, ~15시간 동안 Nvidia K80 GPU에서 PyTorch를 사용해 훈련한다.
• 훈련된 모델은 10⁵개의 테스트 샘플에서 평가되며, 예측된 SNR를 직접적인 SNR 공식의 수치적 통합 결과와 비교한다.
• 최종 모델은 낮은 메모리 사용량(~5 MB)과 입력당 일정한 평가 시간을 가지는 독립형 추론 도구로 구현된다.

실험 결과

연구 질문

• RQ1 간단한 신경망이 블랙홀 병합 매개변수의 고차원 매개변수 공간에서 SNR를 정확하게 보간할 수 있는가?
• RQ2 훈련된 신경망을 사용할 경우 직접 SNR 계산 대비 얼마나 많은 속도 향상을 기대할 수 있는가?
• RQ3 다양한 웨이브폼 모델과 검출기 감도에서 신경망 보간의 정확도는 어떠한가?
• RQ4 훈련된 네트워크는 중력파 데이터 분석에서 다른 다차원 함수의 일반적인 보간 도구로 사용될 수 있는가?
• RQ5 질량과 질량 비율과 같은 다양한 소스 매개변수에 따라 네트워크 성능은 어떻게 변화하는가?

주요 결과

• 신경망은 4코어 CPU에서 1분 이내에 10⁶개의 SNR를 평가하며, IMRPhenomD의 경우 중앙값 상대 오차는 2.22×10⁻⁴, SEOBNRv4의 경우 8.17×10⁻⁴을 기록한다.
• 이 방법은 IMRPhenomD의 경우 평균 120배, SEOBNRv4의 경우 최대 7.5×10⁴배의 속도 향상을 달성하며, 웨이브폼 모델과 소스 매개변수에 따라 달라진다.
• 저질량, 고질량 비율 병합에서 속도 향상이 가장 두드러지며, 직접 SNR 계산에 수분이 소요되는 경우 네트워크가 2×10⁶배 이상의 속도 향상을 기록한다.
• 훈련된 네트워크는 약 ~5 MB의 메모리만 사용하며, 전체 훈련 데이터셋을 메모리에 적재하는 데 필요한 약 ~100 MB보다 훨씬 적다.
• O3, O4, A+, O5와 같은 다양한 검출기 감도에서 네트워크의 일반화 성능이 우수하며, 감도가 향상될수록 오차가 약간 감소한다.
• 소스 코드와 훈련된 모델은 공개되어 있어, 중력파 천문학에서 유사한 보간 작업에 널리 재사용 및 변형이 가능하다.