[论文解读] Using machine learning to auto-tune chi-squared tests for gravitational wave searches

C. McIsaac, I. W. Harry|arXiv (Cornell University)|Mar 7, 2022

Pulsars and Gravitational Waves Research参考文献 56被引用 13

一句话总结

该论文提出一种机器学习框架，用于在引力波搜寻中自动调优卡方（χ²）信号一致性检验，利用随机梯度下降优化可调参数，以区分天体物理信号与非高斯噪声脉冲。该方法通过有效降低噪声权重，同时保持信号响应，使总质量 >300M⊙ 的中等质量黑洞双星搜寻的灵敏度提升约11%。

ABSTRACT

The sensitivity of gravitational wave searches is reduced by the presence of non-Gaussian noise in the detector data. These non-Gaussianities often match well with the template waveforms used in matched filter searches, and require signal-consistency tests to distinguish them from astrophysical signals. However, empirically tuning these tests for maximum efficacy is time consuming and limits the complexity of these tests. In this work we demonstrate a framework to use machine-learning techniques to automatically tune signal-consistency tests. We implement a new $\chi^2$ signal-consistency test targeting the large population of noise found in searches for intermediate mass black hole binaries, training the new test using the framework set out in this paper. We find that this method effectively trains a complex model to down-weight the noise, while leaving the signal population relatively unaffected. This improves the sensitivity of the search by $\sim 11\%$ for signals with masses $> 300 M_\odot$. In the future this framework could be used to implement new tests in any of the commonly used matched-filter search algorithms, further improving the sensitivity of our searches.

研究动机与目标

• 解决引力波探测器中非高斯噪声瞬态（脉冲）模仿致密双星并合信号并降低搜寻灵敏度的挑战。
• 克服匹配滤波搜寻中信号一致性检验手动调优耗时且受限的问题。
• 开发一种可扩展、可学习的框架，用于训练复杂的χ²检验，可集成到现有匹配滤波搜寻流程中。
• 提升对中等质量黑洞双星的搜寻灵敏度，此类信号在高质质量下尤其易受噪声污染。
• 证明机器学习可有效优化信号一致性检验，而无需替代匹配滤波，从而保持统计严谨性与网络符合度检验。

提出的方法

• 该框架使用随机梯度下降（SGD）训练新的χ²信号一致性检验，通过优化匹配滤波响应中不同频段的可调权重参数。
• 训练基于先前搜寻的噪声触发事件数据集和模拟的引力波信号，采用损失函数以最大化噪声与信号群体之间的分离度。
• 新χ²检验使用与主信号模板正交的模板构建，在高斯噪声假设下实现简化χ²分布。
• 模型被训练为对噪声类触发分配更高的χ²值，同时保持真实信号的低值，从而在重加权信噪比中有效降低噪声权重。
• 该方法在PyCBC搜寻框架内实现，保留了现有的网络符合度与检测统计工作流。
• 通过时间偏移触发的非天体物理背景对训练模型进行验证，以估计误报率与灵敏度增益。

实验结果

研究问题

• RQ1 能否使用机器学习技术自动调优引力波搜寻中的信号一致性检验以提升灵敏度？
• RQ2 随机梯度下降在优化χ²检验以区分非高斯噪声与天体物理信号方面有多有效？
• RQ3 所学习的χ²检验在高总质量中等质量黑洞双星搜寻中提升了多少灵敏度？
• RQ4 所学习的检验是否保持了统计严谨性并兼容标准匹配滤波流程，包括网络符合度检验？
• RQ5 该框架能否推广至其他搜寻算法与信号类型，而不会损害检测性能？

主要发现

• 基于机器学习的自动调优框架成功训练出一种复杂的χ²信号一致性检验，能有效降低非高斯噪声权重，同时保持信号响应。
• 新检验使中等质量黑洞搜寻的灵敏度在总质量 >300M⊙ 的信号中提升了约11%。
• 灵敏度增益在高质质量下最为显著，此时信号持续时间短，噪声脉冲更可能模仿信号波形。
• 训练后的模型保持了统计一致性，可无缝集成到现有匹配滤波搜寻流程中，无需改变核心检测统计量。
• 该框架对未见数据表现出鲁棒性，即使应用于新的脉冲群体，χ²检验在高斯噪声假设下仍保持严谨性。
• 该方法提供了一种可扩展且通用的信号一致性检验方法，可适用于任何建模的匹配滤波搜寻算法。