[논문 리뷰] Rapid Identification and Classification of Eccentric Gravitational Wave Inspirals with Machine Learning

Adhrit Ravichandran, A. Vijaykumar외 2명|arXiv (Cornell University)|2023. 02. 01.

Pulsars and Gravitational Waves Research인용 수 6

한 줄 요약

이 논문은 분리 가능 합성곱 신경망(SCNN)을 사용한 딥러닝 접근법을 제안하여, 밀집된 이분기 병합에서 발생하는 이심성 중력파 신호를 신속하게 식별하고 분류한다. O4 시대의 노이즈 파wer 스펙트럼 밀도에 임베딩된 합성 중력파 신호로 훈련된 모델은 이심성 탐지에 98.6%의 정확도와 이심성 수준 분류에 96.2%의 정확도를 달성하여, 비이심성 사건에 대해 계산 비용이 큰 베이지안 매개변수 추정의 필요성을 크게 줄였다.

ABSTRACT

Current templated searches for gravitational waves (GWs) emanated from compact binary coalescences (CBCs) assume that the binaries have circularized by the time they enter the sensitivity band of the LIGO-Virgo-KAGRA (LVK) network. However, certain formation channels predict that in future observing runs (O4 and beyond), a fraction of detectable binaries could enter the sensitivity band with a measurable eccentricity $e$. Constraining $e$ for each GW event with Bayesian parameter estimation methods is computationally expensive and time-consuming. This motivates the need for a machine learning based identification and classification scheme, which could weed out the majority of GW events as non-eccentric and drastically reduce the set of candidate eccentric GWs. As a proof of principle, we train a separable-convolutional neural network (SCNN) with spectrograms of synthetic GWs added to Gaussian noise characterized by O4 representative exttt{PSD}s. We use the trained network to (i) segregate candidates as either eccentric or non-eccentric (henceforth called the detection problem) and (ii) classify the events as non-eccentric $(e = 0)$, moderately eccentric $(e \in (0, 0.2])$, and highly eccentric $(e \in (0.2, 0.5])$. On the detection problem, our best performing network detects eccentricity with $0.914$ accuracy and true and false positive rates of $0.862$ and $0.138$, respectively. On the classification problem, the best performing network classifies signals with $0.853$ accuracy. We find that our trained detector displays close to ideal behavior for the data we consider.

연구 동기 및 목표

• 이심성 중력파 사건에 대한 베이지안 매개변수 추정의 계산적 병목 현상을 해결하기 위해.
• 실시간으로 이심성과 비이심성 밀집된 이분기 병합을 구분할 수 있는 빠르고 확장 가능한 기계학습 파이프라인을 개발하기 위해.
• 이심성 신호를 세 가지 범주로 분류하기 위해: 비이심성(e=0), 중간 이심성(e∈(0,0.2]) 및 고도의 이심성(e∈(0.2,0.5]).
• 완전한 베이지안 추론이 필요한 사건 수를 사전 선별을 위해 훈련된 신경망을 사용하여 줄이기 위해.
• 향후 작업에서 스핀, 실제 검출기 노이즈, 다중 검출기 데이터를 포함할 수 있는 프로토타입 프레임워크를 구축하기 위해.

제안 방법

• 이 방법은 합성 중력파 신호의 시간-주파수 스펙트로그램(Q-변환)을 기반으로 훈련된 분리 가능 합성곱 신경망(SCNN)을 사용한다.
• 신호는 이심성TD 웨이브폼 모델을 사용하여 생성되며, O4 시대의 파wer 스펙트럼 밀도(PSD)를 가진 가우시안 노이즈에 임베딩된다.
• 네트워크는 두 가지 작업을 수행하도록 훈련된다: (1) 이심성 대비 비이심성 신호의 이진 분류, (2) 세 가지 이심성 범주로의 다중 클래스 분류.
• 성능 평가는 다양한 신호 하위공간에서 정확도, 참양성률, 거짓양성률 및 수신기 작동 특성(ROC) 곡선을 사용하여 평가된다.
• 신호 대 잡음비(SNR), 총 질량, 이심성에 따라 정의된 신호 하위공간에서 모델의 성능을 평가하여 강건성과 '어려운' 영역을 파악한다.
• 일반화 능력을 향상시키기 위해 다양한 매개변수 조합을 사용해 훈련 데이터를 증강하고, 신장 가능한 아키텍처를 설계하여 더 긴 신호와 다중 검출기 입력에 대응할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 계산 비용이 큰 베이지안 추론에 의존하지 않고도 중력파 신호의 이심성 존재를 정확하게 탐지할 수 있는가?
• RQ2 모델은 높은 정밀도와 재현율로 이심성 신호를 명확한 이심성 범주로 분류할 수 있는가?
• RQ3 신호 하위공간(예: 낮은 SNR, 높은 질량, 경계 이심성 값) 중에서 신경망의 분류에 가장 큰 도전을 주는 영역는 어디인가?
• RQ4 SNR, 총 질량, 이심성과 같은 다양한 신호 매개변수에 따라 모델의 성능은 어떻게 변하는가?
• RQ5 이 프레임워크는 향후 스핀, 실제 검출기 노이즈, 다중 검출기 데이터를 포함하도록 얼마나 확장할 수 있는가?

주요 결과

• SCNN는 이심성 탐지에 98.6%의 정확도를 달성하였으며, 참양성률은 0.984, 거짓양성률은 1.6×10⁻³이었다.
• 모델은 세 가지 이심성 클래스로 신호를 분류하는 데 96.2%의 정확도를 보였으며, 매개변수 공간 전반에서 강력한 일반화 능력을 입증하였다.
• 성능이 가장 낮은 영역는 이심성 경계 근처(예: e∈(0,0.1) 및 e∈(0.2,0.3))와 고SNR 영역였으며, 이는 분류에 가장 어려운 하위공간임을 시사한다.
• (20M⊙,30M⊙) 총 질량 밴드에서 분류 정확도가 가장 낮았으며, 이는 질량에 따른 신호 복잡성의 영향이 모델 성능에 영향을 준다는 것을 시사한다.
• ROC 곡선 분석을 통해 대부분의 신호 하위공간에서 거의 이상적인 행동을 확인하였고, 성능 저하가 가장 두드러진 영역는 경계 이심성 및 고SNR 영역였다.
• 향후 모델 개선을 위해 '어려운' 매개변수 하위공간을 특정하여, 경계 영역에서 훈련 샘플을 늘리거나 커리큘럼 학습 전략을 사용할 수 있음을 밝혔다.