[论文解读] Fast and efficient evaluation of gravitational waveforms via reduced-order spline interpolation

Chad R. Galley, P. Schmidt|arXiv (Cornell University)|Nov 22, 2016

Pulsars and Gravitational Waves Research参考文献 1被引用 10

一句话总结

本论文提出了一种降阶样条插值方法，可将数值相对论引力波波形压缩高达90%，同时在用户定义的容差范围内保持精度。通过贪心算法选择最优采样点，该方法实现了多模态波形的快速、高效评估与重采样——在10⁻⁶容差下，将一个26.5 MB的旋进双星波形压缩至2.0 MB。

ABSTRACT

Numerical simulations of merging black hole binaries produce the most accurate gravitational waveforms. The availability of hundreds of these numerical relativity (NR) waveforms, often containing many higher spherical harmonic modes, allows one to study many aspects of gravitational waves. Amongst these are the response of data analysis pipelines, the calibration of semi-analytical models, the building of reduced-order surrogates, the estimation of the parameters of detected gravitational waves, and the composition of public catalogs of NR waveform data. The large number of generated NR waveforms consequently requires efficient data storage and handling, especially since many more waveforms will be generated at an increased rate in the forthcoming years. In addition, gravitational wave data analyses often require the NR waveforms to be interpolated and uniformly resampled at high sampling rates. Previously, this resulted in very large data files (up to $\sim$ several GB) in memory-intensive operations, which is unfeasible when confronted with hundreds of multi-modal NR waveforms. To handle these challenges, we present a simple and efficient method to significantly \emph{compress} the original waveform data sets while accurately reproducing the original data via spline interpolation. The method is generically applicable to relatively smooth, one-dimensional datasets and uses a greedy algorithm to determine the most relevant subset of the full data such that a spline interpolant of a specified polynomial degree will represent the original data to within a requested point-wise tolerance. We find significant compression of the original NR data sets presented here. These compressed data sets can then be evaluated fast and efficiently and resampled as desired.

研究动机与目标

• 应对存储和处理数百个高分辨率、多模态数值相对论（NR）引力波波形所带来的日益严峻挑战。
• 克服以往高采样率操作下NR波形插值与重采样所导致的内存密集型问题，此前此类操作需数GB存储空间。
• 通过大幅减小文件大小，同时保持精度，实现NR波形在数据分析流程中的高效使用。
• 为压缩平滑的一维数据集（如多个球谐分量中的引力波模态）提供一种通用且可扩展的解决方案。

提出的方法

• 应用贪心算法从原始NR波形中选择最小采样点集，确保样条插值结果在指定逐点容差范围内与原始波形一致。
• 通过SciPy的UnivariateSpline实现三次B样条插值，实现快速评估与导数访问，支持高性能重采样。
• 评估每个(ℓ,m)模态的振幅-相位表示与实部-虚部表示，并存储更紧凑的表示形式以最小化文件大小。
• 通过为每个模态选择最高效的参数化方式，优化压缩效果，消除冗余而不损失精度。
• 在公开的Python包romSpline中实现该算法，并提供教程，便于集成至LIGO数据分析工作流。
• 通过将压缩后的波形导出为标准化、互操作的格式，确保与LIGO的NR注入基础设施兼容。

实验结果

研究问题

• RQ1 我们能否在不牺牲插值精度的前提下，显著减小多模态数值相对论引力波波形的存储占用？
• RQ2 在保持高保真重建的前提下，压缩平滑的一维引力波数据时，最优的采样策略是什么？
• RQ3 在振幅-相位与实部-虚部模态表示之间进行选择，如何影响压缩效率与精度？
• RQ4 降阶样条插值在多大程度上能够加速数据分析流程中的波形评估与重采样？
• RQ5 该方法能否推广至引力波物理及其他领域中的其他平滑高维数据集？

主要发现

• 在10⁻⁶逐点容差下，一个26.5 MB的旋进双星NR波形（ℓ ≤ 8）被压缩至2.0 MB，文件大小减少了92.4%。
• 混合NR-PN波形（85.1 MB）在相同容差下被压缩至7.1 MB，文件大小减少了91.6%。
• 当使用相对误差度量时，混合波形在10⁻⁶容差下实现了最高达24.0倍的压缩比。
• 贪心算法为每个(ℓ,m)模态选择最高效的表示形式（振幅-相位或实部-虚部），在全部77个模态上最小化了文件大小。
• 压缩后的波形支持快速、精确的重采样与评估，适用于实时数据分析与流水线测试。
• 公开的romSpline代码实现了引力波数据的可复现、可扩展压缩，附带教程，可无缝集成至LIGO分析基础设施。