AI ensemble for signal detection of higher order gravitational wave modes of quasi-circular, spinning, non-precessing binary black hole mergers

要約

LIGO検出器とVirgo検出器からのデータを同時に処理する時空間グラフモデルを紹介する。これらのAI分類器を240万個のIMRPhenomXPHM波形で訓練した。この波形は、準円形、回転、非過程の連星ブラックホール合体を記述し、質量$m_{1,2}}in[3M_odot, 50M_odot]$、個々のスピン$s^z_{1,2}}in[-0.9, 0.9]$; and which includes $(\ell, |m|) = \{(2, 2), (2, 1), (3, 3), (3, 2), (4, 4)}$ modes, and mode mixing effects in the $ell = 3, |m| = 2$ harmonics.我々は、スーパーコンピュータSummitの96個のNVIDIA V100 GPU上で分散学習を行い、22時間以内にこれらのAI分類器を訓練した。その後、転移学習を用いて、アンサンブル内の全てのAI分類器によって同定された連星ブラックホール候補の総質量を推定するAI予測器を作成した。このアンサンブル、信号検出用の3つの分類器と2つの全質量予測器を用いて、30万個の信号を注入した1年間のテストセットを処理した。この1年間のテストセットは、アルゴンヌ・リーダーシップ・コンピューティング・ファシリティのPolarisスーパーコンピュータの1024個のNVIDIA A100GPU（AI推論用）とThetaKNLスーパーコンピュータの128個のCPUノード（ノイズトリガーの後処理用）を使って、5.19分以内に処理された。これらの研究から、我々のAIアンサンブルは最先端のシグナル検出精度を提供し、検索されたデータの1年ごとに2件の誤分類を報告することが示された。これは、高次の重力波モード信号を探索・発見するために設計された最初のAIアンサンブルである。

要約(オリジナル)

We introduce spatiotemporal-graph models that concurrently process data from the twin advanced LIGO detectors and the advanced Virgo detector. We trained these AI classifiers with 2.4 million IMRPhenomXPHM waveforms that describe quasi-circular, spinning, non-precessing binary black hole mergers with component masses $m_{\{1,2\}}\in[3M_\odot, 50 M_\odot]$, and individual spins $s^z_{\{1,2\}}\in[-0.9, 0.9]$; and which include the $(\ell, |m|) = \{(2, 2), (2, 1), (3, 3), (3, 2), (4, 4)\}$ modes, and mode mixing effects in the $\ell = 3, |m| = 2$ harmonics. We trained these AI classifiers within 22 hours using distributed training over 96 NVIDIA V100 GPUs in the Summit supercomputer. We then used transfer learning to create AI predictors that estimate the total mass of potential binary black holes identified by all AI classifiers in the ensemble. We used this ensemble, 3 classifiers for signal detection and 2 total mass predictors, to process a year-long test set in which we injected 300,000 signals. This year-long test set was processed within 5.19 minutes using 1024 NVIDIA A100 GPUs in the Polaris supercomputer (for AI inference) and 128 CPU nodes in the ThetaKNL supercomputer (for post-processing of noise triggers), housed at the Argonne Leadership Computing Facility. These studies indicate that our AI ensemble provides state-of-the-art signal detection accuracy, and reports 2 misclassifications for every year of searched data. This is the first AI ensemble designed to search for and find higher order gravitational wave mode signals.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL