[논문 리뷰] Real-Time Detection of Unmodelled Gravitational-Wave Transients Using Convolutional Neural Networks

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

Pulsars and Gravitational Waves Research인용 수 9

한 줄 요약

이 논문은 실시간으로 모델링되지 않은 중력파 전행을 탐지하기 위해 검출기 변형률 데이터와 상호 검출기 피어슨 상관관계를 모두 분석하는 새로운 컨volution 신경망 파이프라인 MLy를 제시한다. 이는 약 1초의 지연 시간으로 표준 모델링되지 않은 전행 탐지 방법과 유사한 감도를 달성하며, 전통적인 방법에 비해 수개의 계산 비용을 절감한다.

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

• 정확한 신호 모델에 의존하지 않고도 일반적인 모델링되지 않은 전행을 실시간으로 식별할 수 있는 중력파 탐지 파이프라인을 개발하는 것.
• 기존의 CNN 기반 방법이 훈련을 위해 특정한 신호 템플릿이 필요로 하는 한계를 극복하는 것.
• 핵심 붕괴 초신성과 감마선 폭발 연관 전행과 같은 알려지지 않은 원천으로부터의 전행 신호를 저지연, 계산 효율적으로 탐지할 수 있도록 하는 것.
• 신호 형태가 아닌 검출기 간 일관성(코herency)을 활용하여 중력파 폭발(GWB)에 대한 감도를 향상시키는 것.
• 전자기적 후속 관측 창과 호환되는 빠른 경고를 제공함으로써 다중 메신저 천문학을 지원하는 것.

제안 방법

• 파이프라인은 이중 브랜치 CNN 아키텍처를 사용한다: 한 브랜치는 개별 검출기의 화이트닝된 변형률 데이터를 처리하고, 다른 브랜치는 모든 물리적으로 허용되는 빛 전파 시간 지연 간격에 걸쳐 검출기 간 피어슨 상관관계 타임시리즈를 처리한다.
• 모델은 특정한 신호 파형이 아닌, 여러 검출기 간 일관되고 상관관계가 있는 전행을 탐지하도록 훈련하기 위해 무작위로 생성된 특징이 없는 신호로 훈련된다.
• 훈련 데이터에는 훈련 데이터에서의 파형 유형과 동일한 형태를 가진 시뮬레이션된 중력파 폭발과 노이즈 겉돌이 신호가 포함되어 있어, 네트워크가 탐지에 있어 상호 검출기 간 일관성에 의존하도록 유도한다.
• 거의 10^3개의 시간 이동된 데이터 세그먼트를 사용하여 가짜 경고율을 추정함으로써, 낮은 계산 부담으로도 견고한 임계값 설정이 가능하다.
• 단일 A100-SXM4 GPU로도 실시간 전체 분석을 수행할 수 있어, 기존의 저지연 탐지에서 수백 개의 CPU가 필요한 요구를 크게 줄였다.
• 임펄스 에너지 탐지와 상호 검출기 간 일관성 탐지 기능을 아키텍처 수준에서 분리함으로써, 공진하는 노이즈 겉돌이 신호를 거부하면서도 유의미한 상관관계가 있는 신호를 견고하게 식별할 수 있다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 특정한 신호 파형에 대해 훈련되지 않은 채로 모델링되지 않은 중력파 전행을 탐지할 수 있는가?
• RQ2 상호 검출기 상관관계 정보는 일반적인 전행 신호의 탐지 감도를 향상시킬 수 있는가?
• RQ3 기존의 모델링되지 않은 전행 탐지 방법과 비교해 실시간 성능과 최소한의 계산 비용을 달성할 수 있는가?
• RQ4 cWB과 같은 기존의 저지연 탐지 방법과 비교해 감도 및 가짜 경고율 측면에서 이 모델의 성능은 어떻게 되는가?
• RQ5 일관성만을 사용해 진짜 중력파 신호와 공진하는 노이즈 겉돌이 신호를 신뢰성 있게 구분할 수 있는가?

주요 결과

• MLy는 표준 모델링되지 않은 전행 탐지 방법 중 금표로 평가되는 cWB 검색에 근접한 감도를 확보하였으며, 표 1에서 이를 확인할 수 있다.
• 파이프라인은 약 1초의 지연 시간으로 작동하여 다중 메신저 후속 관측을 위한 실시간 경고 생성이 가능하다.
• MLy는 기존 방법에 비해 계산 자원이 극적으로 줄어들었으며, 표준 파이프라인에서 수백 개의 CPU가 필요한 것에 비해, 약 3~4개의 A100-SXM4 GPU로도 실시간 운영을 유지할 수 있다.
• 훈련 데이터에 포함되지 않은 다양한 시뮬레이션된 GWB 파형 유형을 성공적으로 탐지하여, 알려지지 않은 파형에 대한 일반화 능력을 입증하였다.
• 가짜 경고의 배경 분포는 알려진된 겉돌이 유형에 의해 지배되어 있어, 겉돌이 분류기와 같은 후처리 기법을 적용하면 가짜 경고를 추가로 줄일 수 있음을 시사한다.
• 형태가 아닌 일관성에 의존하는 이 방법은 핵심 붕괴 초신성과 우주 끈의 코어에서 발생하는 신호와 같이 물리 법칙이 알려지지 않거나 계산적으로 비가역적인 원천에서 온 신호도 탐지할 수 있다.