[论文解读] Statistically-informed deep learning for gravitational wave parameter estimation

Hongyu Shen, E. A. Huerta+3 more|arXiv (Cornell University)|Mar 5, 2019

Pulsars and Gravitational Waves Research参考文献 84被引用 26

一句话总结

本文提出了一种基于统计学的深度学习框架，可直接从LIGO应变时间序列数据中估计引力波参数——双黑洞质量（m1, m2）、最终自旋（af）以及振铃模式频率和阻尼时间（ωR, ωI）。通过结合改进的WaveNet架构、对比学习和归一化流，该模型生成的后验分布与贝叶斯推断结果一致，在单张V100 GPU上实现亚毫秒级推理速度，且在五个真实事件上的结果与PyCBC Inference保持一致。

ABSTRACT

We introduce deep learning models to estimate the masses of the binary components of black hole mergers, $(m_1,m_2)$, and three astrophysical properties of the post-merger compact remnant, namely, the final spin, $a_f$, and the frequency and damping time of the ringdown oscillations of the fundamental $\ell=m=2$ bar mode, $(\omega_R, \omega_I)$. Our neural networks combine a modified $ exttt{WaveNet}$ architecture with contrastive learning and normalizing flow. We validate these models against a Gaussian conjugate prior family whose posterior distribution is described by a closed analytical expression. Upon confirming that our models produce statistically consistent results, we used them to estimate the astrophysical parameters $(m_1,m_2, a_f, \omega_R, \omega_I)$ of five binary black holes: $ exttt{GW150914}, exttt{GW170104}, exttt{GW170814}, exttt{GW190521}$ and $ exttt{GW190630}$. We use $ exttt{PyCBC Inference}$ to directly compare traditional Bayesian methodologies for parameter estimation with our deep-learning-based posterior distributions. Our results show that our neural network models predict posterior distributions that encode physical correlations, and that our data-driven median results and 90$\%$ confidence intervals are similar to those produced with gravitational wave Bayesian analyses. This methodology requires a single V100 $ exttt{NVIDIA}$ GPU to produce median values and posterior distributions within two milliseconds for each event. This neural network, and a tutorial for its use, are available at the $ exttt{Data and Learning Hub for Science}$.

研究动机与目标

• 开发一种计算高效的深度学习模型，用于从引力波应变数据中估计双黑洞并合的关键天体物理参数。
• 通过使用具有解析后验分布的高斯共轭先验进行训练，确保统计一致性。
• 不仅估计质量，还估计并合后残余物的性质：最终自旋（af）以及准正则模态的频率和阻尼时间（ωR, ωI）。
• 通过与PyCBC Inference对比，验证模型预测精度和物理一致性。
• 实现实时、高吞吐量的参数估计，适用于未来大规模引力波巡天。

提出的方法

• 改进的WaveNet架构处理时间序列引力波应变数据，提取与源参数相关的特征。
• 应用对比学习以通过增强正样本对之间的相似性与负样本对之间的差异性，改善特征表示。
• 使用归一化流对参数（m1, m2, af, ωR, ωI）的复杂、多模态后验分布进行建模。
• 在嵌入先进LIGO噪声的模拟引力波信号上进行训练，使用高斯共轭先验以实现统计验证。
• 从学习到的归一化流中生成后验样本，实现不确定性量化和可信区间估计。
• 通过单张V100 GPU实现加速推理，每事件的中位估计和完整后验预测时间低于2毫秒。

实验结果

研究问题

• RQ1 基于模拟数据训练的深度学习模型能否为双黑洞参数产生统计一致的后验分布？
• RQ2 该模型在多大程度上能直接从时间序列应变数据中准确估计最终自旋（af）和振铃模式参数（ωR, ωI）？
• RQ3 深度学习生成的后验分布在多大程度上编码了参数之间的物理相关性？
• RQ4 与传统贝叶斯推断（PyCBC Inference）相比，该模型的中位估计值和90%可信区间表现如何？
• RQ5 该模型能否在极低计算成本下实现高精度参数估计，适用于大规模引力波数据的实时分析？

主要发现

• 该深度学习模型生成的后验分布与基于高斯共轭先验族的解析后验分布保持统计一致性。
• 对于五个真实引力波事件——GW150914、GW170104、GW170814、GW190521和GW190630，该模型的中位估计值和90%可信区间与PyCBC Inference结果高度吻合。
• 该模型成功捕捉了参数间的物理相关性，特别是双黑洞质量与最终自旋（af）之间的关联。
• 在单张V100 GPU上，该模型实现每事件低于2毫秒的推理速度，适用于大规模巡天的实时应用。
• 该模型生成的后验分布具有多模态特性，且经与贝叶斯方法对比验证，准确反映了参数空间的真实不确定性结构。
• 该框架已通过Data and Learning Hub for Science公开发布，并附带教程，支持可复现性与社区采纳。