[논문 리뷰] Reduction of transient noise artifacts in gravitational-wave data using deep learning

K. Mogushi|arXiv (Cornell University)|2021. 05. 21.

Pulsars and Gravitational Waves Research참고 문헌 10인용 수 6

한 줄 요약

이 논문은 현장 센서 데이터를 사용하여 노이즈 결합을 모델링함으로써 중력파 데이터의 일시적 노이즈 격자 현상을 줄이기 위한 딥러닝 기반 방법을 제시한다. 이 방법은 U-Net 아키텍처를 사용하여 시간-주파수 표현에서 격자 파형을 추정하고, 타겟된 빼기(subtraction)를 통해 진짜 중력파 신호에 영향을 주지 않으면서도 20–70%의 과도한 격자 전력 감소를 가능하게 한다.

ABSTRACT

Excess transient noise artifacts, or glitches impact the data quality of ground-based gravitational-wave (GW) detectors and impair the detection of signals produced by astrophysical sources. Mitigation of glitches is crucial for improving GW signal detectability. However, glitches are the product of short-lived linear and non-linear couplings among the interrelated detector-control systems that include optic alignment systems and mitigation of seismic disturbances, generally making it difficult to model noise couplings. Hence, typically time periods containing glitches are vetoed to mitigate the effect of glitches in GW searches at the cost of reduction of the analyzable data. To increase the available data period and improve the detectability for both model and unmodeled GW signals, we present a new machine learning based method which uses on-site sensors/system-controls monitoring the instrumental and environmental conditions to model noise couplings and subtract glitches in GW detector data. We find that our method reduces 20-70% of the excess power in the data due to glitches. By injecting software simulated signals into the data and recovering them with one of the unmodeled GW detection pipelines, we address the robustness of the glitch-reduction technique to efficiently remove glitches with no unintended effects on GW signals.

연구 동기 및 목표

• 중력파 탐지기에서 신호 탐지 가능성을 떨어뜨리고 데이터 검토를 유도하는 일시적 노이즈 격자 현상의 과제를 해결하기 위해.
• 명시적인 물리 모델이 필요 없이 탐지기 서브시스템 간 복잡한 짧은 지속 시간의 선형 및 비선형 노이즈 결합을 모델링하는 기계학습 방법을 개발하기 위해.
• 진짜 중력파 신호를 손상시키지 않고 격자를 제거함으로써 사용 가능한 데이터 기간과 탐지 민감도를 향상시키기 위해.
• 주입된 시뮬레이션된 신호를 사용하여 의도치 않은 신호 왜곡에 대한 방법의 강건성 검증하기 위해.

제안 방법

• U-Net 컨볼루션 신경망이 중력파 변형 데이터와 보조 센서 채널의 시간-주파수 표현(mSTFT)에서 격자 파형을 추정하도록 훈련된다.
• 모델은 시간-주파수 도메인에서 局부적이고 광범위한 특징을 모두 캡처할 수 있도록 다중 척도 아키텍처를 사용하여 정밀한 격자 재구성 가능.
• 격자 파형은 네트워크 출력에서 추출되어 역단기 푸리에 변환(iSTFT)을 사용해 시간 도메인으로 변환되며, 아티팩트를 최소화하기 위해 위상 및 진폭 보정이 적용된다.
• 추정된 격자 진폭이 임계값을 초과하는 시간 세그먼트에만 격자 빼기가 적용되며, 이 임계값은 절댓값 파형의 백분위수(예: 다양한 격자 유형에 대해 70번째 및 90번째 백분위수)에 의해 결정된다.
• 기능 형태의 노이즈 메커니즘에 의존하지 않고, 보조 채널(예: 지진, 레이저, 서스펜션 센서)을 증거로 사용하여 노이즈 결합을 모델링한다.
• 신뢰성 테스트는 격자 오염된 데이터에 시뮬레이션된 중력파 신호를 주입하고 신호 대 잡음비(SNR) 유지 정도를 측정함으로써 수행된다.

실험 결과

연구 질문

• RQ1 딥러닝이 물리적 기원을 사전에 알지 못한 채로 중력파 데이터에서 일시적 노이즈 격자를 효과적으로 모델링하고 제거할 수 있는가?
• RQ2 보조 센서 데이터는 메인 변형 채널에서 격자 파형을 재구성하고 제거하는 데 얼마나 유용한가?
• RQ3 제안된 격자 제거 방법은 실제 중력파 신호의 무결성을 유지하는가?
• RQ4 가짜 제거를 최소화하면서 노이즈 감소를 극대화하기 위해 격자 영향을 받는 시간 세그먼트를 선택하는 최적의 임계값은 무엇인가?
• RQ5 의도적인 아티팩트나 SNR 저하 없이 과도한 격자 전력은 얼마나 감소시킬 수 있는가?

주요 결과

• 이 방법은 중력파 데이터에서 일시적 격자로 인한 과도한 전력의 20–70%를 감소시켜 데이터 품질을 크게 향상시킨다.
• 격자 제거로 인한 SNR 감소 비율은 피크 성능 대비 3% 이하로 최소화되어 신호 왜곡에 대한 높은 강건성을 보여준다.
• 모델이 추정한 격자 파형은 주입된 신호와 높은 일치도(중위수 > 0.9)를 보이며 정확한 재구성 확인.
• 격자 감지에 70번째 및 90번째 백분위수를 사용하는 것이 노이즈 감소와 신호 보존 사이의 최적 균형을 이룬다.
• iSTFT 과정에서의 위상 및 진폭 보정은 특히 저진폭 영역에서 심각한 진폭 오류를 방지한다.
• SNR 일관성 테스트를 통해 확인된 바, 고진폭 격자 영역에서도 눈에 띄는 아티팩트 없이 격자를 성공적으로 제거하였다.