[论文解读] Rapid Identification and Classification of Eccentric Gravitational Wave Inspirals with Machine Learning

Adhrit Ravichandran, A. Vijaykumar+2 more|arXiv (Cornell University)|Feb 1, 2023

Pulsars and Gravitational Waves Research被引用 6

一句话总结

本文提出一种基于可分离卷积神经网络（SCNN）的深度学习方法，可快速识别并分类来自致密双星并合的偏心引力波信号。模型在O4时代噪声功率谱密度中嵌入的合成引力波信号上进行训练，检测偏心率的准确率达到98.6%，对偏心率等级的分类准确率达到96.2%，显著减少了对非偏心事件进行计算成本高昂的贝叶斯参数估计的需求。

ABSTRACT

Current templated searches for gravitational waves (GWs) emanated from compact binary coalescences (CBCs) assume that the binaries have circularized by the time they enter the sensitivity band of the LIGO-Virgo-KAGRA (LVK) network. However, certain formation channels predict that in future observing runs (O4 and beyond), a fraction of detectable binaries could enter the sensitivity band with a measurable eccentricity $e$. Constraining $e$ for each GW event with Bayesian parameter estimation methods is computationally expensive and time-consuming. This motivates the need for a machine learning based identification and classification scheme, which could weed out the majority of GW events as non-eccentric and drastically reduce the set of candidate eccentric GWs. As a proof of principle, we train a separable-convolutional neural network (SCNN) with spectrograms of synthetic GWs added to Gaussian noise characterized by O4 representative exttt{PSD}s. We use the trained network to (i) segregate candidates as either eccentric or non-eccentric (henceforth called the detection problem) and (ii) classify the events as non-eccentric $(e = 0)$, moderately eccentric $(e \in (0, 0.2])$, and highly eccentric $(e \in (0.2, 0.5])$. On the detection problem, our best performing network detects eccentricity with $0.914$ accuracy and true and false positive rates of $0.862$ and $0.138$, respectively. On the classification problem, the best performing network classifies signals with $0.853$ accuracy. We find that our trained detector displays close to ideal behavior for the data we consider.

研究动机与目标

• 为解决偏心引力波事件贝叶斯参数估计带来的计算瓶颈问题。
• 开发一种快速、可扩展的机器学习流水线，实现实时区分偏心与非偏心致密双星并合。
• 将偏心信号分为三类：非偏心（e=0）、中等偏心（e∈(0,0.2]）和高度偏心（e∈(0.2,0.5]）。
• 通过训练神经网络进行预筛选，减少需要完整贝叶斯推断的事件数量。
• 建立一个概念验证框架，未来可扩展以包含自旋、真实探测器噪声和多探测器数据。

提出的方法

• 该方法采用可分离卷积神经网络（SCNN），在合成引力波信号的时间-频率谱图（Q变换）上进行训练。
• 信号使用EccentricTD波形模型生成，并嵌入具有O4时代功率谱密度（PSD）的高斯噪声中。
• 网络被训练执行两项任务：(1) 偏心与非偏心信号的二分类；(2) 三类偏心率区间的多分类。
• 通过在不同信号子空间中评估准确率、真正率、假正率以及受试者工作特征（ROC）曲线来评估性能。
• 在由信噪比（SNR）、总质量和偏心率定义的信号子空间上测试模型，以评估其鲁棒性并识别‘困难’区域。
• 通过多样化参数组合的数据增强提升泛化能力，且网络架构设计为可扩展至更长信号和多探测器输入。

实验结果

研究问题

• RQ1 深度学习模型能否在不依赖计算密集型贝叶斯推断的前提下，准确检测引力波信号中偏心率的存在？
• RQ2 该模型能否以高精度和高召回率对偏心信号进行分类，划分为不同的偏心率范围？
• RQ3 哪些信号子空间（如低SNR、高总质量、边界偏心率值）对神经网络分类构成最大挑战？
• RQ4 模型性能如何随不同信号参数（如SNR、总质量、偏心率）变化？
• RQ5 该框架在未来的迭代中，能在多大程度上扩展以包含自旋、真实探测器噪声和多探测器数据？

主要发现

• SCNN在检测偏心率方面达到98.6%的准确率，真正率为0.984，假正率为1.6×10⁻³。
• 模型对三类偏心率的分类准确率达到96.2%，在参数空间中表现出强大的泛化能力。
• 性能最低的区域位于偏心率边界附近（如e∈(0,0.1)和e∈(0.2,0.3)）以及高SNR范围，表明这些是分类最困难的子空间。
• 总质量为(20M⊙,30M⊙)的子区间分类准确率最低，表明质量相关的信号复杂性会影响模型性能。
• ROC曲线分析表明，模型在大多数信号子空间中表现接近理想，性能显著下降的区域主要集中在边界偏心率和高SNR区域。
• 本研究识别出未来模型改进的‘困难’参数子空间，例如在边界区域增加训练样本，或采用课程学习策略。