[论文解读] Nonlinear noise regression in gravitational-wave detectors with convolutional neural networks

Hang Yu, R. X. Adhikari|arXiv (Cornell University)|Nov 5, 2021

Pulsars and Gravitational Waves Research参考文献 65被引用 4

一句话总结

本文提出一种物理信息卷积神经网络（CNN），采用“慢×快”架构，以减轻Advanced LIGO在60 Hz以下频段中的双线性耦合噪声——特别是角度噪声。通过利用辅助传感器数据和课程学习，该CNN即使在低信噪比条件下也能实现显著的非线性噪声抑制，表现出优于标准CNN的外推能力和收敛性。

ABSTRACT

Currently, the sub-60 Hz sensitivity of gravitational-wave (GW) detectors like Advanced LIGO is limited by the control noises from auxiliary degrees of freedom, which nonlinearly couple to the main GW readout. One particularly promising way to tackle this contamination is to perform nonlinear noise mitigation using machine-learning-based convolutional neural networks (CNNs), which we examine in detail in this study. As in many cases the noise coupling is bilinear and can be viewed as a few fast channels' outputs modulated by some slow channels, we show that we can utilize this knowledge of the physical system and adopt an explicit "slow$ imes$fast" structure in the design of the CNN to enhance its performance of noise subtraction. We then examine the requirement in the signal-to-noise ratio (SNR) in both the target channel (i.e., the main GW readout) and in the auxiliary sensors in order to reduce the noise by at least a factor of a few. In the case of limited SNR in the target channel, we further demonstrate that the CNN can still reach a good performance if we adopt curriculum learning techniques, which in reality can be achieved by combining data from quiet times and those from periods with active noise injections.

研究动机与目标

• 解决由辅助自由度的技术噪声非线性耦合导致的Advanced LIGO在60 Hz以下频段灵敏度受限的问题。
• 开发一种机器学习方法，有效抑制无法通过线性回归去除的双线性噪声耦合，如角度噪声。
• 通过将噪声耦合机制的物理知识嵌入网络架构，提升CNN性能。
• 研究在目标引力波读出和辅助传感器中，实现有效噪声抑制的信噪比（SNR）需求。
• 评估课程学习在目标通道信噪比较低时，是否能促进CNN收敛。

提出的方法

• 研究使用模拟数据，模拟真实Advanced LIGO条件，噪声耦合建模为慢调制与快辅助信号的双线性乘积。
• 设计了一种定制的CNN架构，采用“慢×快”结构，显式编码物理双线性耦合机制，提升泛化与外推能力。
• 使用Keras和TensorFlow训练CNN，输入来自多个辅助传感器（如ADS、OPLEVs），以捕捉完整的噪声耦合动力学。
• 系统评估目标引力波读出（目标）和辅助传感器中的信噪比（SNR）阈值，以确定收敛条件。
• 通过结合安静时段和主动噪声注入时段的数据，应用课程学习，提升目标通道信噪比较低时的训练稳定性。
• 通过测量回归后引力波读出中残余噪声功率和边带抑制程度，评估性能。

实验结果

研究问题

• RQ1 物理信息CNN架构是否能在引力波探测器中有效抑制双线性噪声，优于标准CNN？
• RQ2 在目标引力波读出和辅助传感器中，实现有效非线性噪声回归的最低信噪比（SNR）要求是什么？
• RQ3 当目标通道信噪比较低时，课程学习是否能改善CNN的收敛性？
• RQ4 与通用CNN相比，“慢×快”CNN架构在未见噪声条件下的泛化能力是否更强？
• RQ5 CNN在多大程度上可降低由角度噪声引起的DARM信号边带和污染？

主要发现

• 与标准CNN相比，“慢×快”CNN架构在噪声抑制性能上显著提升，尤其在未见噪声条件下的外推能力方面表现突出。
• 在应用课程学习的前提下，即使目标引力波读出信噪比较低，CNN也能实现有效的噪声减除。
• 辅助传感器中最低约3–5的信噪比是实现可靠收敛的必要条件，而目标通道中较低的信噪比可通过课程学习得到补偿。
• CNN成功抑制了引力波读出信号中的边带，表明双线性噪声分量被有效去除。
• 该方法在LIGO中其他双线性噪声源（如信号回收腔振荡或光散射引起的噪声）中也具有广泛应用前景。
• 尽管真实数据性能仍受额外噪声源和突发噪声的限制，但CNN已显示出早期宽带非线性噪声抑制的迹象，尤其在边带抑制方面表现显著。