[論文レビュー] Lightning-Fast Gravitational Wave Parameter Inference through Neural Amortization

Arnaud Delaunoy, Antoine Wehenkel+5 more|arXiv (Cornell University)|Oct 24, 2020

Pulsars and Gravitational Waves Research参考文献 25被引用数 21

ひとこと要約

この論文は、畳み込みニューラルネットワークを用いたニューラルアンモタイゼーション手法を提案し、尤度対尤度比を推定することで、重力波パラメータ推定を途方なく高速化する。計算時間は数日から1分未塔に短縮され、信頼区間の精度を維持する。従来のMCMC手法に比べて最大1,000倍の高速化を達成しながら、統計的信頼性を損なわない。

ABSTRACT

Gravitational waves from compact binaries measured by the LIGO and Virgo detectors are routinely analyzed using Markov Chain Monte Carlo sampling algorithms. Because the evaluation of the likelihood function requires evaluating millions of waveform models that link between signal shapes and the source parameters, running Markov chains until convergence is typically expensive and requires days of computation. In this extended abstract, we provide a proof of concept that demonstrates how the latest advances in neural simulation-based inference can speed up the inference time by up to three orders of magnitude -- from days to minutes -- without impairing the performance. Our approach is based on a convolutional neural network modeling the likelihood-to-evidence ratio and entirely amortizes the computation of the posterior. We find that our model correctly estimates credible intervals for the parameters of simulated gravitational waves.

研究の動機と目的

• 重力波パラメータ推定における計算ボトルネックを解消すること。現在のところ、尤度計算ごとに数百万回の波形評価を要するため、MCMCサンプリングに数日を要する。
• 深層学習を用いて、重力波天文学におけるベイズ推論のための高速でスケーラブルなMCMCの代替手法を開発すること。
• 重力波イベントのマルチメッセンジャーフォローアップ観測をトリガーするにあたり、低遅延のパラメータ推定を可能にすること。
• 信頼区間の経験的カバレッジを評価することで、ニューラル後方分布近似の統計的信頼性を検証すること。

提案手法

• 本手法は、すべてのパラメータ設定における後方分布推論をアンモタイズするために、尤度対尤度比を直接モデル化する畳み込みニューラルネットワーク（CNN）を採用する。
• ネットワークは、既知のパラメータと検出器ノイズを有する100万件のシミュレートされた重力波信号で構成される大規模な合成データセット上で訓練される。
• 訓練データは、IMRPhenomPv2波形モデルを用いて生成され、信号は4秒にクロップされ、2048 Hzで再サンプリングされ、2つの検出器に対して8192×のストレイン時間系列が得られる。
• 反復的なMCMCサンプリングを回避するため、教師あり学習を用いて、データから直接後方分布を予測するようにモデルを最適化する。
• ニューラルモデルの出力から信頼区間を推定し、経験的カバレッジ確率を用いてキャリブレーションを評価する。

実験結果

リサーチクエスチョン

• RQ1 尤度対尤度比推定を用いたニューラルアンモタイゼーションは、MCMCに比べて1,000倍速くパラメータ推定を実現しつつ、正確性を維持できるか？
• RQ2 ニューラルモデルが推定する信頼区間は、真の後方分布カバレッジ確率とどの程度一致するか？
• RQ3 本手法は、現実的なマルチ検出器環境下で、質量、スピン、距離、天球位置といった主要パラメータを信頼性高く推定できるか？
• RQ4 本手法は、多様な信号タイプにわたり、統計的に妥当で適切にキャリブレートされた後方分布近似を提供できるか？

主な発見

• ニューラル手法では1分未満で推定が可能であるのに対し、MCMCでは1日以上を要するため、最大3桁の速度向上が達成された。
• 信頼区間は適切にキャリブレートされており、経験的カバレッジ確率が名目水準に近く、例えば50%信頼区間では51.8%、90%信頼区間では90.2%であった。
• モデルはわずかに過信しない傾向を示しており、経験的カバレッジが名目水準をやや上回っている。これは保守的だが信頼性のある信頼区間を示している。
• 本手法は、質量、スピン、距離、天球位置といった内在的および外在的パラメータを、シミュレート信号上で高い精度で回復できた。
• GW150914に類似した信号においても、MCMCの結果と一貫性を保ち、劇的な高速化にもかかわらず正確性が確認された。