[논문 리뷰] OmegaNeuron: Applying GravitySpy Similarity Methods to the Search for LIGO Glitch Witnesses

Bri Aleman, Derek Davis|arXiv (Cornell University)|2026. 02. 26.

Pulsars and Gravitational Waves Research인용 수 0

한 줄 요약

OmegaNeuron은 GravitySpy-스타일의 spectrogram 유사성과 Omega Scan을 결합하여 LIGO 데이터의 글리치에 대한 증언 채널을 자동으로 식별하고, 글리치 특성화의 정확도를 높이며 수동 분석 노력을 줄입니다.

ABSTRACT

Gravitational-wave (GW) astronomy has advanced our understanding of compact mergers through instruments like the Laser Interferometer Gravitational-Wave Observatory (LIGO). However, the extreme sensitivity required for these detections makes the instruments susceptible to short-duration transient noise, or glitches, which obscure GW data. Current tools such as Omega Scan and GravitySpy assist in identifying and classifying such noise, but are limited by manual inspection or dependence on large training sets. To address these challenges, we present extit{OmegaNeuron}, a machine-learning tool that integrates GravitySpy's image similarity methods with Omega Scan's transient analysis to automate the identification of auxiliary channels that witness glitches. Applied to multiple glitch examples, OmegaNeuron consistently highlighted plausible witness channels and showed strong agreement with existing correlation tools, while providing clearer ranking through a quantitative similarity metric. Integrated into the exttt{gwdetchar} package, OmegaNeuron enables faster analysis that improves glitch witness identification, enhancing both detector sensitivity and the reliability of gravitational-wave observations.

연구 동기 및 목표

• 수천 개의 보조 채널 가운데 글리치 증언을 식별하는 과제를 동기화하고 해결한다.
• 단일 글리치 분석을 위해 GravitySpy 유사성과 Omega Scan을 결합하여 활용하는 머신러닝 도구를 개발한다.
• 스트레인 채널 글리치의 잠재적 증언으로 보조 채널을 자동화되고 신속하게 순위를 매길 수 있도록 한다.
• 실시간 검출기 특성화를 지원하기 위해 gwdetchar 패키지에 OmegaNeuron을 통합한다.

제안 방법

• GravitySpy를 특징 추출기로 사용하여 스트레인 및 보조 채널의 스펙트로그램을 200차원 특성 벡터로 표현한다.
• 스트레인 유사성을 스트레인 특성 벡터와 보조 채널 특성 벡터 간의 코사인 유사도로 계산한다.
• 하위 시스템별 채널 클러스터링의 질적 검사를 위한 고차원 관계를 t-SNE로 시각화한다.
• 코사인 유사도 메트릭을 정당화하기 위해 글리치가 동시적으로 발생하고 채널 간에 선형적으로 결합된다고 가정한다.
• 스트레인 스펙트로그램과의 유사도에 따라 보조 채널을 순위화하여 잠재적 글리치 증언을 식별한다.

실험 결과

연구 질문

• RQ1 보조 채널에서 추출된 GravitySpy 유도 스펙트로그램 특징이 스트레인 채널 글리치와 유사한 형태를 보여줄 수 있는가?
• RQ2 자동으로 순위 매겨진 증언 채널이 알려진 결합 하위 시스템 및 독립 상관 도구들(Omega Scan, iDQ, HVeto)과 일치하는가?
• RQ3 학습 데이터가 부족한 희귀하거나 분류되지 않은 글리치에 대해 OmegaNeuron이 효과적인가?
• RQ4 깨끗한 데이터(글리치가 없는 경우) 대비 알려진 및 알려지지 않은 글리치의 경우 OmegaNeuron의 성능은 어떤가?
• RQ5 동시성 및 선형 결합을 가정하는 한계는 무엇이며, 시간 지연이나 비선형성이 결과에 어떤 영향을 미칠 수 있는가?

주요 결과

• OmegaNeuron은 사례 연구 전반에서 일관되게 그럴듯한 증언 채널을 강조했다.
• 가장 높은 유사도 채널은 종종 광학 및 환경 하위 시스템에서 나왔으며 예상된 결합 경로와 일치했다.
• GW150914 데이터(no glitch)에서 0.998을 초과하는 유사도를 보인 채널은 형태에서 스트레인 스펙트로그램과 일치했다.
• 이미 알려진 산란광 글리치의 경우 OmegaNeuron은 기대된 하위 시스템(LSC 및 ASC) 내 채널에 대해 다른 도구들보다 더 높은 유사도 순위를 보였다.
• 분류되지 않은 희귀 글리치의 경우 OmegaNeuron은 단일 이벤트에서 증언 채널(예: PSL 및 LSC)을 상위 유사도 0.98 이상으로 식별했다.