[论文解读] 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 6

一句话总结

本文提出了一种新型卷积神经网络（CNN），通过利用应变数据和探测器之间的皮尔逊互相关，实现实时检测未建模的引力波瞬变信号。该方法在约1秒延迟下实现了与黄金标准LIGO-Virgo搜寻相当的灵敏度，且计算成本极低，可实现实时检测核心坍缩超新星和长伽马射线暴等信号，而无需预先建模信号。

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.

研究动机与目标

• 解决现有基于CNN的引力波搜寻方法在训练中依赖精确信号模型的局限性。
• 实现实时检测来自波形未知或计算上难以处理的天体物理源的瞬变引力波信号。
• 开发一种深度学习模型，能够在广泛参数空间内识别通用的未建模瞬变信号。
• 与传统瞬变搜寻相比，降低计算成本和延迟，同时保持高灵敏度。
• 证明对核心坍缩超新星和长伽马射线暴等事件实现实时检测的可行性。

提出的方法

• 该CNN在未建模瞬变的模拟引力波数据上进行训练，输入包括探测器应变数据和探测器间的互相关。
• 网络架构结合了应变时间序列和互相关图中的空间与时间特征，以增强信号区分能力。
• 该模型利用互相关识别多探测器间相干的、相关联的信号，将其与不相关的噪声瞬变区分开。
• 训练数据包含多样化的未建模瞬变波形，以确保对未知源类型的泛化能力。
• 使用第二轮LIGO-Virgo观测运行的数据对方法进行评估，以在真实条件下验证性能。
• 推理过程经过优化，实现低延迟运行，可在信号到达后约1秒内完成检测。

实验结果

研究问题

• RQ1 深度学习模型能否在不依赖精确信号模板的情况下检测未建模的引力波瞬变信号？
• RQ2 在未建模瞬变搜寻中，引入探测器间的互相关如何提升检测灵敏度和噪声抑制能力？
• RQ3 与标准瞬变搜寻流程相比，此类模型的可实现延迟和计算成本如何？
• RQ4 该模型能否在广泛范围的未建模瞬变波形中保持与黄金标准搜寻相当的灵敏度？
• RQ5 该模型是否具备在最小计算资源下实现实时运行的能力？

主要发现

• 所提出的CNN即使在未建模信号情况下，检测灵敏度也与LIGO-Virgo使用的黄金标准瞬变搜寻方法相当。
• 该模型延迟约为1秒，可实现真正意义上的实时检测引力波瞬变信号。
• 将探测器间皮尔逊互相关整合后，显著提升了区分真实信号与噪声瞬变的能力。
• 该方法所需的计算能力仅为传统搜寻流程的极小部分，显著提升了可扩展性和效率。
• 该模型在包括核心坍缩超新星和长伽马射线暴在内的多种未建模瞬变波形上均表现出稳健性能。
• 在第二轮LIGO-Virgo观测运行的真实数据上进行的评估证实了该模型在实际运行中实现实时检测的可行性。