[论文解读] Reduction of transient noise artifacts in gravitational-wave data using deep learning

K. Mogushi|arXiv (Cornell University)|May 21, 2021

Pulsars and Gravitational Waves Research参考文献 10被引用 6

一句话总结

本文提出一种基于深度学习的方法，通过利用现场传感器数据建模噪声耦合，以减少引力波数据中的瞬态噪声脉冲。该方法采用U-Net架构，从时频表示中估计脉冲波形，实现针对性减除，可在不损害真实引力波信号的情况下，减少20–70%的多余脉冲能量。

ABSTRACT

Excess transient noise artifacts, or glitches impact the data quality of ground-based gravitational-wave (GW) detectors and impair the detection of signals produced by astrophysical sources. Mitigation of glitches is crucial for improving GW signal detectability. However, glitches are the product of short-lived linear and non-linear couplings among the interrelated detector-control systems that include optic alignment systems and mitigation of seismic disturbances, generally making it difficult to model noise couplings. Hence, typically time periods containing glitches are vetoed to mitigate the effect of glitches in GW searches at the cost of reduction of the analyzable data. To increase the available data period and improve the detectability for both model and unmodeled GW signals, we present a new machine learning based method which uses on-site sensors/system-controls monitoring the instrumental and environmental conditions to model noise couplings and subtract glitches in GW detector data. We find that our method reduces 20-70% of the excess power in the data due to glitches. By injecting software simulated signals into the data and recovering them with one of the unmodeled GW detection pipelines, we address the robustness of the glitch-reduction technique to efficiently remove glitches with no unintended effects on GW signals.

研究动机与目标

• 解决引力波探测器中瞬态噪声脉冲带来的信号可探测性下降及数据审查问题。
• 开发一种机器学习方法，无需依赖显式物理模型，即可对探测器子系统间复杂的短时线性和非线性噪声耦合进行建模。
• 实现在保留真实引力波信号的同时从数据中减除脉冲，从而提高可用数据时长和检测灵敏度。
• 通过注入模拟信号测试方法对无意信号失真所表现出的鲁棒性。

提出的方法

• 使用U-Net卷积神经网络，从引力波应变数据和辅助传感器通道的时频表示（mSTFT）中估计脉冲波形。
• 该模型采用多尺度架构，以捕捉时频域中的局部与广域特征，从而实现精确的脉冲重建。
• 从网络输出中提取脉冲波形，并通过逆短时傅里叶变换（iSTFT）转换回时域，同时应用相位和振幅校正以最小化伪影。
• 仅在估计的脉冲振幅超过阈值的时间段内执行脉冲减除，该阈值通过绝对波形的百分位数确定（例如，不同脉冲类型分别采用第70和第90百分位数）。
• 该方法利用辅助通道（如地震、激光、悬挂传感器）作为噪声耦合的观测指标，避免依赖噪声机制的显式函数形式。
• 通过向含脉冲的数据中注入模拟引力波信号，并测量信噪比（SNR）的保持情况，来测试方法的鲁棒性。

实验结果

研究问题

• RQ1 深度学习能否在不了解其物理起源的前提下，有效建模并减除引力波数据中的瞬态噪声脉冲？
• RQ2 辅助传感器数据在多大程度上可用于从主应变通道中重建并去除脉冲波形？
• RQ3 所提出的脉冲减除方法是否在过程中保持了真实引力波信号的完整性？
• RQ4 选择脉冲影响时间段的最优阈值是什么，以在最小化误减除的同时最大化噪声抑制？
• RQ5 在不引入显著伪影或信噪比下降的前提下，可实现多大程度的多余脉冲能量减少？

主要发现

• 该方法可减少引力波数据中因瞬态脉冲导致的20–70%多余能量，显著提升数据质量。
• 由于脉冲减除导致的信噪比（SNR）下降比例最低仅为峰值性能的3%以下，表明对信号失真具有高度鲁棒性。
• 模型估计的脉冲波形与注入信号的匹配度极高（中位数 > 0.9），证实了重建的准确性。
• 使用第70和第90百分位数作为脉冲检测的阈值，可在噪声抑制与信号保持之间实现最优平衡。
• iSTFT过程中实施的相位与振幅校正可有效防止显著的振幅误差，尤其在低振幅区域表现更优。
• 该方法成功去除了脉冲，即使在高振幅脉冲区域也未引入可探测到的伪影，经信噪比一致性测试验证。