Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams

要約

畳み込みニューラル ネットワーク (最新の ConvNeXt ネットワーク ファミリを含む) を使用して、高度な LIGO 検出器からのデータの過渡ノイズ信号 (つまり、グリッチ) と重力波を分類する方法を調査します。
まず、教師あり学習アプローチのモデルを使用します。どちらも、Gravity Spy データセットを使用してゼロからトレーニングし、このデータセットで事前トレーニング済みのモデルを微調整して転移学習を採用しています。
次に、自動生成された疑似ラベルを使用してモデルを事前トレーニングする、自己教師ありアプローチも検討します。
私たちの調査結果は、同じデータセットの既存の結果に非常に近く、最高の教師あり (自己教師あり) モデルの F1 スコアの値は 97.18% (94.15%) に達しています。
さらに、LIGO-Virgo の O3 ランからの実際の重力波信号を使用してモデルをテストします。
以前の実行 (O1 および O2) からのデータを使用してトレーニングされていますが、特に転移学習を使用する場合、モデルは良好なパフォーマンスを示します。
転移学習は、Gravity Spy データセットに存在するハードウェア インジェクションからの 50 未満のチャープの例を除いて、実際の信号のトレーニングを必要とせずにスコアを改善することがわかりました。
これは、グリッチ分類だけでなく信号分類にも転移学習を使用する動機となります。

要約(オリジナル)

We investigate the use of Convolutional Neural Networks (including the modern ConvNeXt network family) to classify transient noise signals (i.e.~glitches) and gravitational waves in data from the Advanced LIGO detectors. First, we use models with a supervised learning approach, both trained from scratch using the Gravity Spy dataset and employing transfer learning by fine-tuning pre-trained models in this dataset. Second, we also explore a self-supervised approach, pre-training models with automatically generated pseudo-labels. Our findings are very close to existing results for the same dataset, reaching values for the F1 score of 97.18% (94.15%) for the best supervised (self-supervised) model. We further test the models using actual gravitational-wave signals from LIGO-Virgo’s O3 run. Although trained using data from previous runs (O1 and O2), the models show good performance, in particular when using transfer learning. We find that transfer learning improves the scores without the need for any training on real signals apart from the less than 50 chirp examples from hardware injections present in the Gravity Spy dataset. This motivates the use of transfer learning not only for glitch classification but also for signal classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google