[論文レビュー] Gravitational-wave signal-to-noise interpolation via neural networks

Kaze W. K. Wong, Ken K. Y. Ng+1 more|arXiv (Cornell University)|Jul 20, 2020

Pulsars and Gravitational Waves Research参考文献 1被引用数 7

ひとこと要約

本稿では、合体質量、質量比、スピンの大きさからなる4次元パラメータ空間において、重力波信号対雑音比（SNR）を補間するためのマルチレイヤーパーセプトロンニューラルネットワークを提案する。波形モデルと検出器のノイズ曲線からのSNRデータで学習させたネットワークは、4コアCPU上で10⁶件のSNRを1分未塔で評価でき、中央値の相対誤差は0.03%未塔を記録し、直接計算と比較して最大75,000倍の高速化を達成した。

ABSTRACT

Computing signal-to-noise ratios (SNRs) is one of the most common tasks in gravitational-wave data analysis. While a single SNR evaluation is generally fast, computing SNRs for an entire population of merger events could be time consuming. We compute SNRs for aligned-spin binary black-hole mergers as a function of the (detector-frame) total mass, mass ratio and spin magnitudes using selected waveform models and detector noise curves, then we interpolate the SNRs in this four-dimensional parameter space with a simple neural network (a multilayer perceptron). The trained network can evaluate $10^6$ SNRs on a 4-core CPU within a minute with a median fractional error below $10^{-3}$. This corresponds to average speed-ups by factors in the range $[120,\,7.5 imes10^4]$, depending on the underlying waveform model. Our trained network (and source code) is publicly available at https://github.com/kazewong/NeuralSNR, and it can be easily adapted to similar multidimensional interpolation problems.

研究の動機と目的

• 大規模な二重ブラックホール合体のSNR計算における計算ボトルネックを解消すること。
• 従来の手法が失敗する多次元パラメータ空間におけるSNRの高速かつ高精度な補間手法を開発すること。
• 重力波データ解析の専門知識がほとんど不要な天文学者が迅速にSNRを計算できる、使いやすいオープンソースツールを提供すること。
• 単純なニューラルネットワークが、重力波天文学における時間のかかる補間タスクを効率的に解けることを示すこと。
• 将来的な重力波調査におけるスケーラブルな集団研究とリアルタイム検出可能性評価を可能にすること。

提案手法

• 著者らは、スピンが整列した二重ブラックホールのSNRを、選択された波形モデル（IMRPhenomD、SEOBNRv4）および検出器のノイズ曲線（O3、O4、A+、O5）を用いて計算した。
• 検出器フレームの合体質量、質量比、および2つのスピンの大きさからなる4次元パラメータ空間におけるSNRの学習データセットを生成した。
• 平均二乗誤差（MSE）損失関数を用いて、多層パーセプトロン（MLP）ニューラルネットワークを、このパラメータ空間におけるSNR補間のために学習させた。
• PyTorchを用いて、Nvidia K80 GPUで約15時間にわたり学習を実行した。過学習を防ぐために、検証損失に基づく早期停止を適用した。
• 学習済みモデルは10⁵件のテストサンプルで評価され、予測されたSNRとSNR式の直接数値積分による結果を比較した。
• 最終的なモデルは、メモリ使用量が約5 MBと低く、入力ごとの評価時間が一定である、独立した推論ツールとしてデプロイされた。

実験結果

リサーチクエスチョン

• RQ1 単純なニューラルネットワークは、二重ブラックホールパラメータの高次元パラメータ空間におけるSNRを正確に補間できるか？
• RQ2 学習済みニューラルネットワークを用いることで、直接SNR計算に比べてどの程度の高速化が達成できるか？
• RQ3 異なる波形モデルおよび検出器感度におけるニューラルネットワーク補間の精度はいかほどか？
• RQ4 学習済みネットワークは、重力波データ解析における他の多次元関数の一般化補間器として使用可能か？
• RQ5 質量や質量比などのソースパラメータの変化に伴い、ネットワークの性能はどのように変化するか？

主な発見

• ニューラルネットワークは、4コアCPU上で10⁶件のSNRを1分未塔で評価でき、IMRPhenomDでは中央値の相対誤差が2.22×10⁻⁴、SEOBNRv4では8.17×10⁻⁴を記録した。
• 平均してIMRPhenomDでは120倍、SEOBNRv4では最大7.5×10⁴倍の高速化が達成された。これは波形モデルやソースパラメータに依存する。
• 低質量・高質量比のバイナリでは、直接SNR計算に数分を要するが、ネットワークは2×10⁶倍を超える高速化を達成した。
• 学習済みネットワークはわずか約5 MBのメモリ使用量であり、学習データセット全体をメモリに保持するのに必要な約100 MBよりも著しく少なかった。
• O3、O4、A+、O5など異なる検出器感度に対しても、ネットワークは良好に一般化しており、感度が向上するにつれて誤差はわずかに減少した。
• ソースコードおよび学習済みモデルは公開されており、重力波天文学における同様の補間タスクへの広範な再利用と適合が可能である。