[论文解读] Deep Learning for Real-time Gravitational Wave Detection and Parameter Estimation with LIGO Data

Daniel J. George, E. A. Huerta|arXiv (Cornell University)|Nov 21, 2017

Pulsars and Gravitational Waves Research被引用 10

一句话总结

本文提出 Deep Filtering，一种深度卷积神经网络（CNN）框架，可在真实 LIGO 数据中实现实时引力波信号检测与参数估计，灵敏度与匹配滤波相当，但推理速度高出数个数量级，且对非高斯噪声跳变（glitches）具有更强的鲁棒性。该工作首次证明，机器学习可成功从实际 LIGO 观测中恢复真实引力波信号，且无需在不同噪声条件下重新训练。

ABSTRACT

The recent Nobel-prize-winning detections of gravitational waves from merging black holes and the subsequent detection of the collision of two neutron stars in coincidence with electromagnetic observations have inaugurated a new era of multimessenger astrophysics. To enhance the scope of this emergent science, we proposed the use of deep convolutional neural networks for the detection and characterization of gravitational wave signals in real-time. This method, Deep Filtering, was initially demonstrated using simulated LIGO noise. In this article, we present the extension of Deep Filtering using real data from the first observing run of LIGO, for both detection and parameter estimation of gravitational waves from binary black hole mergers with continuous data streams from multiple LIGO detectors. We show for the first time that machine learning can detect and estimate the true parameters of a real GW event observed by LIGO. Our comparisons show that Deep Filtering is far more computationally efficient than matched-filtering, while retaining similar sensitivity and lower errors, allowing real-time processing of weak time-series signals in non-stationary non-Gaussian noise, with minimal resources, and also enables the detection of new classes of gravitational wave sources that may go unnoticed with existing detection algorithms. This approach is uniquely suited to enable coincident detection campaigns of gravitational waves and their multimessenger counterparts in real-time.

研究动机与目标

• 开发一种实时、计算高效的引力波信号检测方法，适用于非平稳、非高斯的 LIGO 噪声环境。
• 将先前的深度学习研究从模拟数据扩展到真实 LIGO 数据，证明在真实引力波事件上的可行性。
• 在无需重新训练的前提下，实现对不同噪声条件下双黑洞并合信号的检测与参数估计。
• 展示对新信号类别的泛化能力以及对瞬态噪声伪影（glitches）的鲁棒性。
• 提供一种可扩展、低资源消耗的实时多信使后续处理流水线，并可与现有匹配滤波流水线集成。

提出的方法

• 采用两阶段深度学习流水线：1 秒滑动窗口分类器 CNN 检测潜在信号，随后由预测器 CNN 估计源参数。
• 分类器采用 4 层 CNN，使用 ReLU 激活函数，卷积核大小分别为 16、16、16 和 32，最大池化层步长为 4。
• 预测器 CNN 在卷积特征提取后，通过全连接层执行多参数回归（如质量参数）。
• 采用膨胀卷积（dilated convolutions），膨胀率分别为 1、2、2 和 2，以扩大感受野，提升对瞬态特征的检测能力。
• 输入信号通过使用来自 LIGO 开源中心的真实 LIGO 噪声段平均功率谱密度（PSD）进行白化处理。
• 模型在 2,500 个模拟双黑洞并合波形（质量范围 5–75 M☉，步长 1 M☉）上进行训练，测试数据包含 GW150914、LVT151012 和 GW151226 的真实噪声。

实验结果

研究问题

• RQ1 深度卷积神经网络能否在真实 LIGO 数据中实现与匹配滤波相当的灵敏度，检测真实引力波信号？
• RQ2 该模型是否可在无需重新训练的前提下泛化至不同 LIGO 噪声功率谱密度（PSD）？
• RQ3 在存在非高斯瞬态噪声伪影（glitches）的情况下，模型性能如何？
• RQ4 模型是否能对训练参数空间外的信号进行插值并成功检测？
• RQ5 该模型能否用于加速下游匹配滤波处理及多信使后续探测任务？

主要发现

• Deep Filtering 在无需重新训练的情况下，成功检测并估计了真实 LIGO 引力波事件（包括 GW150914）的参数，处理实际数据流。
• 该方法在灵敏度上与匹配滤波相当，但推理速度高出数个数量级，可在单个 CPU 或 GPU 上实现实时处理。
• 模型成功泛化至不同噪声 PSD 及训练期间未见的信号参数，展现出强大的归纳偏置与插值能力。
• 与匹配滤波相比，该模型对非高斯噪声跳变表现出更强的鲁棒性，表明其在噪声跳变分类与探测器特性分析方面具有应用潜力。
• 单次训练后，模型可对新数据流实现实时处理，计算开销极低，支持可扩展部署。
• Deep Filtering 预测的参数可经由匹配滤波快速验证，显著加速了完整的贝叶斯参数估计与多信使警报生成流程。