[논문 리뷰] Using machine learning to auto-tune chi-squared tests for gravitational wave searches

C. McIsaac, I. W. Harry|arXiv (Cornell University)|2022. 03. 07.

Pulsars and Gravitational Waves Research참고 문헌 56인용 수 13

한 줄 요약

이 논문은 중력파 탐색에서 카이제곱(χ²) 신호일관성 테스트를 자동으로 캘리브레이션하기 위한 기계학습 프레임워크를 제안한다. 확률적 경사하강법을 사용하여 비정규분포 잡음 겹침( glitches )과 천체 물리적 신호를 구분하는 데 최적화된 파rameter를 조정한다. 이 방법은 총 질량 >300M⊙ 인 중간질량 블랙홀 이중성의 경우 탐색 감도를 약 11% 향상시키며, 잡음의 영향을 효과적으로 감소시키면서도 신호 반응을 유지한다.

ABSTRACT

The sensitivity of gravitational wave searches is reduced by the presence of non-Gaussian noise in the detector data. These non-Gaussianities often match well with the template waveforms used in matched filter searches, and require signal-consistency tests to distinguish them from astrophysical signals. However, empirically tuning these tests for maximum efficacy is time consuming and limits the complexity of these tests. In this work we demonstrate a framework to use machine-learning techniques to automatically tune signal-consistency tests. We implement a new $\chi^2$ signal-consistency test targeting the large population of noise found in searches for intermediate mass black hole binaries, training the new test using the framework set out in this paper. We find that this method effectively trains a complex model to down-weight the noise, while leaving the signal population relatively unaffected. This improves the sensitivity of the search by $\sim 11\%$ for signals with masses $> 300 M_\odot$. In the future this framework could be used to implement new tests in any of the commonly used matched-filter search algorithms, further improving the sensitivity of our searches.

연구 동기 및 목표

• 중력파 탐지기에서 비정규분포 잡음 전행( glitches )이 밀집된 이중성 합성 신호를 모방하여 탐색 감도를 떨어뜨리는 문제를 해결하기 위해.
• 매치드 필터 탐색에서 신호일관성 테스트를 수작업으로 조정하는 데 소요되는 시간과 제한된 범위를 극복하기 위해.
• 기존 매치드 필터 탐색 파이프라인에 통합할 수 있는 확장 가능하고 학습 가능한 복잡한 χ² 테스트를 훈련하기 위한 프레임워크를 개발하기 위해.
• 고질량 신호가 잡음 오염에 특히 취약한 중간질량 블랙홀 이중성 탐색에서 감도 향상을 위해.
• 기계학습이 매치드 필터를 대체하지 않고도 신호일관성 테스트를 효과적으로 최적화할 수 있으며, 통계적 엄밀성과 네트워크 일치 테스트를 유지할 수 있음을 보여주기 위해.

제안 방법

• 프레임워크는 확률적 경사하강법(SGD)을 사용하여 매치드 필터 응답의 다양한 주파수 대역에 가중치를 부여하는 조정 가능한 파rameter를 최적화함으로써 새로운 χ² 신호일관성 테스트를 훈련한다.
• 훈련은 이전 탐색에서 확보한 잡음 트리거 데이터셋과 시뮬레이션된 중력파 신호를 사용하며, 손실 함수는 잡음 집단과 신호 집단 간의 분리도를 극대화하도록 설계된다.
• 새로운 χ² 테스트는 주 신호 템플릿에 직교하는 템플릿을 사용하여, 정규분포 잡음 가정 하에 감소된 χ² 분포를 생성한다.
• 모델은 잡음 유사 트리거에 대해 더 높은 χ² 값을 할당하면서 진짜 신호에는 낮은 값을 유지하도록 훈련되어, 재가중된 신호대잡음비(SNR)에서 잡음을 효과적으로 감소시킨다.
• 이 방법은 PyCBC 탐색 프레임워크 내부에 구현되어 기존의 네트워크 일치 및 탐지 통계 워크플로우를 유지한다.
• 훈련된 모델은 시간 이동 트리거 배경을 사용하여 잘못된 경고율과 감도 향상도를 추정하기 위해 비천체 물리적 배경을 사용하여 검증된다.

실험 결과

연구 질문

• RQ1 기계학습 기법을 사용하여 중력파 탐색에서 신호일관성 테스트를 자동으로 캘리브레이션하여 감도 향상을 이룰 수 있는가?
• RQ2 확률적 경사하강법이 비정규분포 잡음과 천체 물리적 신호를 구분하기 위해 χ² 테스트를 최적화하는 데 얼마나 효과적인가?
• RQ3 학습된 χ² 테스트는 총 질량이 높은 중간질량 블랙홀 이중성 탐색에서 감도 향상에 어느 정도 기여하는가?
• RQ4 학습된 테스트는 표준 매치드 필터 파이프라인(네트워크 일치 테스트 포함)과 통계적 엄밀성과 호환성을 유지하는가?
• RQ5 이 프레임워크는 탐색 알고리즘과 신호 유형에 대해 일반화되어 있으며, 탐지 성능을 저하시키지 않고 적용 가능한가?

주요 결과

• 기계학습 기반 자동 캘리브레이션 프레임워크는 비정규분포 잡음을 효과적으로 감소시키면서도 신호 반응을 유지하는 복잡한 χ² 신호일관성 테스트를 성공적으로 훈련시켰다.
• 새로운 테스트는 총 질량 >300M⊙ 인 중간질량 블랙홀 탐색에서 감도를 약 11% 향상시켰다.
• 감도 향상은 질량이 높을수록 두드러졌으며, 이는 신호 지속 시간이 짧고 잡음 전행이 신호 형태를 더 잘 모방할 가능성이 높기 때문이다.
• 훈련된 모델은 통계적 일관성을 유지했으며, 핵심 탐지 통계를 변경하지 않고도 기존 매치드 필터 탐색 파이프라인에 통합될 수 있었다.
• 모델은 새로운 잡음 집단에 대해서도 강건성을 보였으며, 정규분포 잡음 가정 하에 χ² 테스트는 여전히 엄밀하게 유지되었다.
• 이 방법은 모든 모델링된 매치드 필터 탐색 알고리즘에 적용 가능한 확장 가능하고 일반화 가능한 방법을 제공한다.