[论文解读] Real-Time Detection of Unmodelled Gravitational-Wave Transients Using Convolutional Neural Networks

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

Pulsars and Gravitational Waves Research被引用 9

一句话总结

本文提出 MLy，一种新型卷积神经网络流水线，通过分析探测器应变数据和探测器间皮尔逊互相关，实现实时检测未建模的引力波瞬变信号，灵敏度与标准未建模瞬变搜索相当，延迟约1秒，计算成本比传统方法低数个数量级。

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

• 开发一种实时引力波检测流水线，能够在不依赖精确信号模型的情况下识别通用的未建模瞬变信号。
• 克服现有基于卷积神经网络的方法依赖特定信号模板进行训练的局限性。
• 实现对来自未知源（如核心坍缩超新星和伽马射线暴相关爆发）的瞬变信号的低延迟、计算高效的检测。
• 通过利用探测器相干性而非信号形态，提升对引力波暴（GWBs）的灵敏度。
• 通过生成与电磁波后随窗口兼容的快速警报，支持多信使天文学。

提出的方法

• 流水线采用双分支卷积神经网络架构：一个分支处理单个探测器的白化应变数据，另一个分支处理所有物理允许光传播时间延迟下的探测器间皮尔逊互相关时间序列。
• 模型在随机化、无特征的信号上进行训练，以学习检测探测器间相干的、相关联的瞬变信号，而非特定的信号波形。
• 训练数据包含与真实信号波形相同的模拟引力波暴和噪声伪影，强制网络依赖探测器间相干性进行检测。
• 系统通过约10^3个时间偏移的数据段估计误报率，实现稳健的阈值设定，计算开销极低。
• 单张 A100-SXM4 GPU 即可实现实时完整分析，显著减少传统低延迟搜索中所需的数百张 CPU 的依赖。
• 该架构将瞬变能量检测与探测器间相干性检测分离，从而能够稳健识别相关信号，同时排除同时发生的噪声伪影。

实验结果

研究问题

• RQ1 深度学习模型能否在未使用特定信号波形进行训练的情况下检测未建模的引力波瞬变信号？
• RQ2 探测器间互相关信息能否提升对通用瞬变信号的检测灵敏度？
• RQ3 与标准未建模瞬变搜索相比，此类模型能否实现实时性能并保持极低的计算成本？
• RQ4 与成熟的低延迟搜索方法（如 cWB）相比，该模型在灵敏度和误报率方面的表现如何？
• RQ5 该模型能否仅依靠相干性可靠地区分真实引力波信号与同时发生的噪声伪影？

主要发现

• MLy 对引力波瞬变信号的灵敏度接近 cWB 搜索（一种未建模瞬变信号的黄金标准），如表1所示。
• 流水线延迟约为1秒，可实现实时警报生成，支持多信使后随观测。
• MLy 所需计算资源仅为传统方法的极小部分——约三到四张 A100-SXM4 GPU 即可维持实时运行，而标准流水线需数百张 CPU。
• 该模型成功检测到训练数据中未包含的多种模拟 GWP 波形，表明其对未知波形具有良好的泛化能力。
• 误报的背景分布主要由已知的伪影类型主导，表明后续使用伪影分类器可进一步降低误报率。
• 该方法依赖相干性而非波形形状，使其能够检测来自物理机制未知或计算上不可行的源（如核心坍缩超新星和宇宙弦结点）的信号。