[論文レビュー] Real-Time Detection of Unmodeled Gravitational-Wave Transients UsingConvolutional Neural Networks

V. Skliris, M. R. Norman+1 more|arXiv (Cornell University)|Sep 30, 2020

Pulsars and Gravitational Waves Research被引用数 6

ひとこと要約

この論文は、歪みデータと検出器間のピアソン自己相関の両方を活用することで、リアルタイムでモデル化されていない重力波トランジェントを検出する新しい畳み込みニューラルネットワーク（CNN）を提示する。約1秒の遅延と最小限の計算コストで、事前に信号モデルが不要なコアコalescence超新星やガンマ線バーストからの信号をリアルタイムで検出可能であり、ゴールドスタンダードのLIGO-Virgo探索と同等の感度を達成する。

ABSTRACT

Convolutional Neural Networks (CNNs) have demonstrated potential for the real-time analysis of data from gravitational-wave detector networks for the specific case of signals from coalescing compact-object binaries such as black-hole binaries. Unfortunately, training these CNNs requires a precise model of the target signal; they are therefore not applicable to a wide class of potential gravitational-wave sources, such as core-collapse supernovae and long gamma-ray bursts, where unknown physics or computational limitations prevent the development of comprehensive signal models. We demonstrate for the first time a CNN with the ability to detect generic signals -- those without a precise model -- with sensitivity across a wide parameter space. Our CNN has a novel structure that uses not only the network strain data but also the Pearson cross-correlation between detectors to distinguish correlated gravitational-wave signals from uncorrelated noise transients. We demonstrate the efficacy of our CNN using data from the second LIGO-Virgo observing run, and show that it has sensitivity comparable to that of the gold-standard transient searches currently used by LIGO-Virgo, at extremely low (order of 1 second) latency and using only a fraction of the computing power required by existing searches, allowing our models the possibility of true real-time detection of gravitational-wave transients associated with gamma-ray bursts, core-collapse supernovae, and other relativistic astrophysical phenomena.

研究の動機と目的

• 既存のCNNベースの重力波探索が訓練に正確な信号モデルを必要とすることの制限を解決すること。
• 波形が未知または計算的に扱いにくい天体的源からのトランジェント重力波信号をリアルタイムで検出できること。
• 広いパrameter空間にわたり一般化可能な未モデル化トランジェントを同定できるディープラーニングモデルを開発すること。
• 従来のトランジェント探索と比較して計算コストと遅延を低減しながらも高い感度を維持すること。
• コアコalescence超新星や長期間ガンマ線バーストのようなイベントにおけるリアルタイム検出の可能性を実証すること。

提案手法

• CNNは、未モデル化トランジェントからのシミュレーテッド重力波データを用いて訓練され、検出器の歪みデータと検出器間のピアソン自己相関を入力として使用する。
• ネットワークアーキテクチャは、歪み時間系列と自己相関マップからの空間的および時間的特徴を統合し、信号の識別を向上させる。
• モデルは自己相関を活用して、複数の検出器にわたる整合的かつ相関のある信号を同定し、非相関ノイズトランジェントと区別する。
• 訓練データには、未知の源タイプに一般化できるよう、多様な未モデル化トランジェント波形が含まれる。
• 実際の条件での性能を検証するため、第二期LIGO-Virgo観測ランのデータを用いて評価が行われる。
• 推論は低遅延動作を最適化しており、信号到着後約1秒以内に検出が可能である。

実験結果

リサーチクエスチョン

• RQ1 正確な信号テンプレートに依存せずに、ディープラーニングモデルが未モデル化重力波トランジェントを検出可能か？
• RQ2 検出器間の自己相関を組み込むことで、未モデル化トランジェント探索における検出感度とノイズ拒否能力はどのように向上するか？
• RQ3 このようなモデルの実現可能な遅延と計算コストは、標準のトランジェント探索パイプラインと比較してどの程度か？
• RQ4 多様な未モデル化トランジェント波形の広い範囲にわたり、ゴールドスタンダード探索と同等の感度を維持できるか？
• RQ5 最小限の計算リソースでリアルタイム動作が可能か？

主な発見

• 提案されたCNNは、未モデル化信号に対してもLIGO-Virgoが使用するゴールドスタンダードのトランジェント探索と同等の検出感度を達成する。
• モデルは約1秒の遅延で動作し、重力波トランジェントの真のリアルタイム検出を可能にする。
• 検出器間のピアソン自己相関の統合により、ノイズトランジェントと実信号の区別能力が顕著に向上する。
• 従来の探索パイプラインに比べて必要な計算パワーの僅かに一部で済むため、スケーラビリティと効率性が向上する。
• コアコalescence超新星や長期間ガンマ線バーストからの波形を含む多様な未モデル化トランジェント波形に対して、強固な性能を示す。
• 第二期LIGO-Virgo観測ランの実データを用いた評価により、運用上のリアルタイム検出におけるモデルの実現可能性が確認された。