[论文解读] OmegaNeuron: Applying GravitySpy Similarity Methods to the Search for LIGO Glitch Witnesses

Bri Aleman, Derek Davis|arXiv (Cornell University)|Feb 26, 2026

Pulsars and Gravitational Waves Research被引用 0

一句话总结

OmegaNeuron 将 GravitySpy 相似性与 Omega Scan 结合，用于自动识别 LIGO 故障的 witnesses 通道，从而更快、更可靠地进行 GW 数据质量评估。

ABSTRACT

Gravitational-wave (GW) astronomy has advanced our understanding of compact mergers through instruments like the Laser Interferometer Gravitational-Wave Observatory (LIGO). However, the extreme sensitivity required for these detections makes the instruments susceptible to short-duration transient noise, or glitches, which obscure GW data. Current tools such as Omega Scan and GravitySpy assist in identifying and classifying such noise, but are limited by manual inspection or dependence on large training sets. To address these challenges, we present extit{OmegaNeuron}, a machine-learning tool that integrates GravitySpy's image similarity methods with Omega Scan's transient analysis to automate the identification of auxiliary channels that witness glitches. Applied to multiple glitch examples, OmegaNeuron consistently highlighted plausible witness channels and showed strong agreement with existing correlation tools, while providing clearer ranking through a quantitative similarity metric. Integrated into the exttt{gwdetchar} package, OmegaNeuron enables faster analysis that improves glitch witness identification, enhancing both detector sensitivity and the reliability of gravitational-wave observations.

研究动机与目标

• 在数千个辅助通道中动机与解决识别 glutch witnesses 的挑战。
• 开发一个机器学习工具，利用 GravitySpy 相似性与 Omega Scan 联合进行单次 glitch 分析。
• 实现对辅助通道作为应变通道故障 witnesses 的自动化、快速排序。
• 将 OmegaNeuron 集成到 gwdetchar 软件包中，以支持实时探测器表征。

提出的方法

• 将应变和辅助通道的谱图表示为 200 维特征向量，使用 GravitySpy 作为特征提取。
• 计算应变相似度，作为应变与辅助通道特征向量之间的余弦相似度。
• 用 t-SNE 可视化高维关系，对通道按子系统的聚类进行定性检查。
• 假设故障是同时发生并在各通道间线性耦合，以证明余弦相似度度量的合理性。
• 通过与应变谱图的相似度对辅助通道进行排序，以识别潜在的 glitch witnesses。

实验结果

研究问题

• RQ1 从辅助通道提取的 Grav itySpy 派生谱图特征是否能显现出与应变通道故障相似的形态？
• RQ2 自动排序的 witnesses 通道是否与已知耦合子系统及独立相关性工具（Omega Scan、iDQ、HVeto）一致？
• RQ3 在训练数据稀缺的情况下，OmegaNeuron 对罕见或未分类故障是否有效？
• RQ4 在数据干净（无故障）与已知/未知故障的情况下，OmegaNeuron 的表现如何？
• RQ5 在假设同时性和线性耦合的前提下有哪些局限性，时间延迟或非线性如何影响结果？

主要发现

• OmegaNeuron 在多个案例中始终突出显示了合理的 witnesses 通道。
• 最高相似性通道通常来自光学与环境子系统，与预期的耦合路径一致。
• 在 GW150914 数据（无故障）中，相似度高于 0.998 的通道在形态上与应变谱图匹配。
• 对于已知的散射光故障，OmegaNeuron 在与其他工具相比，对位于预期子系统（LSC 和 ASC）中的通道给出更高的相似性排序。
• 对于一个未分类的罕见故障，OmegaNeuron 从单次事件中识别出 witnesses 通道（例如 PSL 和 LSC），其最高相似度超过 0.98。