[논문 리뷰] Real-Time Detection of Unmodeled Gravitational-Wave Transients UsingConvolutional Neural Networks

V. Skliris, M. R. Norman외 1명|arXiv (Cornell University)|2020. 09. 30.

Pulsars and Gravitational Waves Research인용 수 6

한 줄 요약

이 논문은 신호 모델이 정확히 알려지지 않은 중력파 일시적 신호를 실시간으로 탐지하기 위해 변형된 신호 데이터와 검출기 간 피어슨 상관관계를 활용하는 새로운 합성곱 신경망(CNN)을 제안한다. 이 모델은 약 1초의 지연 시간과 최소한의 계산 비용으로 LIGO-Virgo 표준 검색 수준의 감도를 달성하여 핵붕괴 초신성과 감마선 폭발과 같은 신호를 사전 신호 모델 없이 실시간으로 탐지할 수 있다.

ABSTRACT

Convolutional Neural Networks (CNNs) have demonstrated potential for the real-time analysis of data from gravitational-wave detector networks for the specific case of signals from coalescing compact-object binaries such as black-hole binaries. Unfortunately, training these CNNs requires a precise model of the target signal; they are therefore not applicable to a wide class of potential gravitational-wave sources, such as core-collapse supernovae and long gamma-ray bursts, where unknown physics or computational limitations prevent the development of comprehensive signal models. We demonstrate for the first time a CNN with the ability to detect generic signals -- those without a precise model -- with sensitivity across a wide parameter space. Our CNN has a novel structure that uses not only the network strain data but also the Pearson cross-correlation between detectors to distinguish correlated gravitational-wave signals from uncorrelated noise transients. We demonstrate the efficacy of our CNN using data from the second LIGO-Virgo observing run, and show that it has sensitivity comparable to that of the gold-standard transient searches currently used by LIGO-Virgo, at extremely low (order of 1 second) latency and using only a fraction of the computing power required by existing searches, allowing our models the possibility of true real-time detection of gravitational-wave transients associated with gamma-ray bursts, core-collapse supernovae, and other relativistic astrophysical phenomena.

연구 동기 및 목표

• 기존의 CNN 기반 중력파 탐지 기법이 훈련을 위해 정밀한 신호 모델이 필요로 하는 한계를 해결하기 위해.
• 모델링되지 않은 또는 계산적으로 다루기 어려운 파형을 가진 천체적 천체에서 오는 일시적 중력파 신호를 실시간으로 탐지할 수 있도록 하기 위해.
• 넓은 매개변수 공간에서 일반적인 모델링되지 않은 일시적 신호를 식별할 수 있는 딥러닝 모델을 개발하기 위해.
• 기존의 일시적 신호 검색 방식에 비해 계산 비용과 지연 시간을 줄이면서도 높은 감도를 유지하기 위해.
• 핵붕괴 초신성과 장수 감마선 폭발과 같은 사건에 대해 실시간 탐지의 가능성을 입증하기 위해.

제안 방법

• 모델은 모델링되지 않은 일시적 신호에서 유도된 시뮬레이션 중력파 데이터를 사용해 훈련되며, 검출기의 신호 강도 데이터와 검출기 간 피어슨 상관관계를 입력으로 사용한다.
• 네트워크 아키텍처는 신호 강도 시계열과 상관관계 맵으로부터 공간적 및 시간적 특징을 추출하여 신호 식별 능력을 향상시킨다.
• 모델은 상관관계를 활용해 다수의 검출기에서 일관되게 나타나는 신호를 식별하고, 이는 비일관된 잡음 일시적 신호와의 차이를 명확히 한다.
• 일반화 능력을 확보하기 위해 다양한 종류의 모델링되지 않은 일시적 파형을 포함한 훈련 데이터를 사용한다.
• 성능 검증을 위해 제2기 LIGO-Virgo 관측 런의 실제 데이터를 사용하여 현실 조건 하에서의 성능을 평가한다.
• 추론 과정은 저지연 작동을 최적화하여 신호 수신 후 약 1초 이내에 탐지가 가능하도록 한다.

실험 결과

연구 질문

• RQ1 정밀한 신호 템플릿에 의존하지 않고도 딥러닝 모델이 모델링되지 않은 중력파 일시적 신호를 탐지할 수 있는가?
• RQ2 검출기 간 상관관계를 통합함으로써 모델링되지 않은 일시적 신호 탐지의 감도와 잡음 거부 능력은 어떻게 향상되는가?
• RQ3 기존의 표준 일시적 신호 검색 파이프라인에 비해 이 모델의 구현 지연 시간과 계산 비용은 어느 정도인가?
• RQ4 다양한 종류의 모델링되지 않은 일시적 파형에 대해 이 모델이 금세대 검색 수준의 감도를 유지할 수 있는가?
• RQ5 이 모델은 최소한의 계산 자원으로도 실시간 작동이 가능한가?

주요 결과

• 제안된 CNN는 모델링되지 않은 신호에 대해서도 LIGO-Virgo가 사용하는 금세대 일시적 신호 검색 수준과 비교해 유사한 감도를 달성한다.
• 모델은 약 1초의 지연 시간으로 작동하여 중력파 일시적 신호의 진정한 실시간 탐지가 가능하다.
• 검출기 간 피어슨 상관관계 통합은 실제 신호와 잡음 일시적 신호를 구분하는 능력을 크게 향상시킨다.
• 기존의 검색 파이프라인에 비해 필요한 계산 자원의 일부분만으로도 작동할 수 있어 확장성과 효율성이 향상된다.
• 핵붕괴 초신성과 장수 감마선 폭발에서 유래한 다양한 종류의 모델링되지 않은 일시적 파형에 대해 안정적인 성능을 보였다.
• 제2기 LIGO-Virgo 관측 런의 실제 데이터를 활용한 평가를 통해 모델이 운영용 실시간 탐지에 실현 가능함을 확인했다.