[论文解读] 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 7

一句话总结

本文提出一种多层感知器神经网络，用于在总质量、质量比和自旋幅值构成的四维参数空间中插值引力波信噪比（SNR）。该网络基于波形模型和探测器噪声曲线生成的SNR数据进行训练，在4核CPU上运行，可在一分钟内评估一百万个SNR，中位相对误差低于0.03%，相比直接计算最高可实现75,000倍的加速。

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.

研究动机与目标

• 为解决大规模双黑洞并合事件SNR计算中的计算瓶颈问题。
• 开发一种在传统方法失效的高维参数空间中快速、准确插值SNR的方法。
• 为天文学家提供一种用户友好、开源的工具，使其无需深入掌握引力波数据分析知识即可快速计算SNR。
• 证明简单神经网络可高效解决引力波天文学中原本耗时的插值任务。
• 实现可扩展的群体研究与未来引力波巡天的实时可检测性评估。

提出的方法

• 作者使用选定的波形模型（IMRPhenomD、SEOBNRv4）和探测器噪声曲线（O3、O4、A+、O5）计算自旋对齐的双黑洞的SNR。
• 在四维参数空间（包括星动系总质量、质量比和两个自旋幅值）中生成SNR的训练数据集。
• 使用均方误差（MSE）损失函数，训练一个多层感知器（MLP）神经网络，以在该参数空间中插值SNR。
• 使用PyTorch在Nvidia K80 GPU上训练网络，耗时约15小时，通过基于验证损失的早停策略防止过拟合。
• 在10⁵个测试样本上评估训练好的模型，将预测的SNR与SNR公式直接数值积分结果进行比较。
• 最终模型以独立推理工具形式部署，内存占用低（约5 MB），单次输入的评估时间恒定。

实验结果

研究问题

• RQ1 简单的神经网络能否在双黑洞参数的高维参数空间中准确插值SNR？
• RQ2 使用训练好的神经网络相比直接SNR计算可获得多大的加速？
• RQ3 该神经网络在不同波形模型和探测器灵敏度下的插值精度如何？
• RQ4 训练好的网络能否作为引力波数据分析中其他高维函数的通用插值器使用？
• RQ5 网络性能如何随源参数（如质量与质量比）的变化而变化？

主要发现

• 神经网络在4核CPU上可在一分钟内评估10⁶个SNR，对IMRPhenomD的中位相对误差为2.22×10⁻⁴，对SEOBNRv4为8.17×10⁻⁴。
• 该方法对IMRPhenomD的平均加速比为120倍，对SEOBNRv4最高可达7.5×10⁴倍，具体取决于波形模型和源参数。
• 对于低质量、高质比双星系统，直接SNR计算需耗时数分钟，而网络可实现超过2×10⁶倍的加速。
• 训练后的网络仅需约5 MB内存，远低于存储完整训练数据集所需的约100 MB。
• 网络在不同探测器灵敏度（O3、O4、A+、O5）下泛化良好，且随着探测器灵敏度提升，误差略有下降。
• 源代码和训练好的模型公开可用，可广泛用于类似引力波天文学中的插值任务。