Patch-Level DINOv2 Scoring for Gravitational-Wave Glitch Detection: Breaking the Signal Dilution Barrier via Vector-Quantized Local Feature Indexing

Este artículo introduce una arquitectura de puntuación a nivel de parche utilizando DINOv2 congelado e indexación de características locales cuantizadas vectorialmente para superar las limitaciones de dilución de señal de las métricas del token CLS global, permitiendo así la detección no supervisada y la localización topológica de diversos fallos transitorios de ondas gravitacionales en los datos de LIGO O4a.

Lo esencial

El gran problema: El efecto de la "aguja en un pajar"

Imagina que estás mirando una cuadrícula gigante de 37 por 37 baldosas (1,369 baldosas en total) que representa una instantánea de sonido de un detector de ondas gravitacionales. La mayoría de las baldosas son solo "estática" o ruido de fondo.

A veces, aparece una señal real (un "glitch" o una onda gravitacional), pero solo cubre unas pocas baldosas —tal vez solo 5 o 10 de ellas.

La forma antigua (El error del "promedio global"):
Anteriormente, la computadora intentaba entender toda la imagen tomando el "promedio" de todas las 1,369 baldosas y comprimiéndolas en un único número de resumen (llamado token [CLS]).

• La analogía: Imagina que tienes un cubo de agua. Dejas caer una sola gota de tinte rojo en él. Si tomas una muestra del cubo y la mezclas, el agua se ve apenas rosada. El tinte rojo está tan diluido por toda el agua clara que no puedes notar que está ahí.
• El resultado: Debido a que la señal era tan pequeña en comparación con el ruido de fondo, el "promedio" de la computadora la ignoró por completo. Era matemáticamente ciega a cualquier cosa más pequeña del 5% de la imagen.

La nueva solución: El detective "Top-K"

Los autores, liderados por Luca Cirfeta, se dieron cuenta de que debían dejar de mirar el "promedio" y empezar a mirar las baldosas específicas y extrañas.

1. Hacer zoom (Puntuación a nivel de parche):
En lugar de comprimir toda la imagen en un solo número, mantuvieron las 1,369 baldosas individuales separadas. Trataron cada baldosa como su propia pequeña pista.

2. El "Diccionario de lo Normal" (Índice de cuantización vectorial):
Para saber cómo es un "glitch", la computadora necesita saber cómo es lo "normal". Los autores construyeron un diccionario masivo (un índice de referencia) que contiene 1,216 ejemplos de cómo luce el ruido normal, desglosado por diferentes formas y patrones.

• La analogía: Imagina a un bibliotecario que ha memorizado la textura exacta de cada página normal en una biblioteca. Si le entregas una página, puede compararla instantáneamente con su diccionario mental.

3. La estrategia "Top-K":
Cuando llega una nueva imagen, la computadora compara cada baldosa contra su diccionario. Pregunta: "¿Qué baldosas se ven más diferentes a lo normal?"

• En lugar de promediar todo, elige las 68 más sospechosas (este número, $k=68$, fue el punto óptimo para los señales específicas que estaban buscando).
• Calcula una puntuación basada solo en esas 68 baldosas extrañas, ignorando las más de 1,300 baldosas normales.
• La analogía: En lugar de preguntar, "¿Está ruidosa toda la habitación?" (lo cual podría ser "no" porque la mayor parte de la habitación está silenciosa), el detective pregunta: "¿Hay personas específicas gritando en esta habitación?". Si incluso una persona está gritando, la respuesta es "Sí, hay una anomalía".

Lo que encontraron

El equipo probó este nuevo método con datos reales del detector LIGO (específicamente de mayo de 2026).

• La señal "Espiral": Para las señales que se extienden sobre un área mediana (como un "SpiralBurst"), el nuevo método funcionó perfectamente. Podía separar claramente la señal del ruido, mientras que el método antiguo no veía nada.
• La señal "Blip": Para señales extremadamente pequeñas y de un instante (como un "AsymBlip"), el nuevo método aún no podía verlas.
  • ¿Por qué? La señal era tan pequeña que ni siquiera llenaba una sola baldosa en la cuadrícula. Era como intentar ver un solo grano de arena a través de un telescopio que solo tiene la resolución de una pelota de playa. El artículo llama a esto el "Límite de difracción espacial".
• El "Mapa de calor" (Mapa de saliencia): Los autores también crearon un mapa visual que resalta exactamente dónde están las baldosas extrañas.
  • Nota importante: El artículo advierte que este mapa es solo para visualización, no para tomar decisiones finales. A veces, el ruido aleatorio puede parecer un "punto caliente" simplemente por azar. El mapa ayuda a los humanos a ver dónde mirar, pero la "puntuación Top-68" de la computadora es lo que realmente decide si una señal es real.

Conclusión

El artículo afirma haber resuelto un problema matemático específico donde los modelos de visión computacional estaban "diluyendo" las señales pequeñas al promediarlas con el ruido de fondo. Al cambiar de un enfoque de "promedio global" a uno de "encontrar las mejores baldosas extrañas", lograron detectar señales que antes eran invisibles para el sistema.

Sin embargo, admiten que esto no es una solución mágica para todo: si una señal es más pequeña que la baldosa más pequeña de la cuadrícula, sigue sin poder ser vista. El objetivo ahora es usar esta nueva puntuación "Top-K" para ayudar a las computadoras a encontrar nuevos tipos de fallos desconocidos en datos futuros.

Resumen técnico

Resumen Técnico: Calificación de DINOv2 a Nivel de Parche para la Detección de Glitches de Ondas Gravitacionales

1. Planteamiento del Problema: La Barrera de la Dilución de la Señal

La caracterización del ruido transitorio no gaussiano ("glitches") en los interferómetros de ondas gravitacionales es esencial para maximizar el alcance astrofísico de la red Advanced LIGO y Virgo. Mientras que los marcos supervisados como Gravity Spy sobresalen en la clasificación de morfologías conocidas, carecen de la capacidad para detectar poblaciones de anomalías novedosas. Los enfoques no supervisados previos que utilizan Vision Transformers (ViT), específicamente DINOv2, enfrentaron una limitación estructural crítica identificada en trabajos previos (Cirrfa 2026b): el Efecto de Dilución de la Señal.

Las arquitecturas DINOv2 estándar procesan los espectrogramas dividiéndolos en una cuadrícula de $37 \times 37$ (1,369 parches) y los agregan en un único token global [CLS] mediante el promedio de los valores (average pooling). Para transitorios de corta duración (por ejemplo, AsymBlip o SpiralBurst) que ocupan menos del 5% de la cuadrícula del espectrograma, la señal de la anomalía se diluye matemáticamente por el ruido de fondo que cubre el 95% restante de la cuadrícula. En consecuencia, la métrica de similitud global no logra distinguir estos eventos del ruido, resultando en un Recuerdo (Recall) Booleano de 0.00 incluso con relaciones señal-ruido (SNR) elevadas (SNR > 400).

2. Metodología: Cuantización de Vectores y Calificación de Top-k a Nivel de Parche

Para superar la barrera de la dilución de la señal, los autores proponen un cambio arquitectónico del agregado de tokens globales al análisis denso a nivel de parche. La metodología consta de tres componentes principales:

2.1. Extracción de Características a Nivel de Parche

En lugar de depender del token [CLS] global, el modelo extrae los 1,369 tokens de parche individuales ($P_i \in \mathbb{R}^{384}$) directamente del bloque transformador final. Estos tokens se someten a una estricta normalización L2 para asegurar que residan en la hiperesfera unitaria, facilitando los cálculos de similitud de coseno.

2.2. Índice de Referencia de Cuantización de Vectores (VQ)

Para gestionar la intratabilidad computacional de buscar 1,369 vectores de alta dimensión contra un conjunto de datos masivo, los autores emplean Cuantización de Vectores Esféricos.

• Construcción: Utilizando 19 clases morfológicas conocidas del conjunto de datos Gravity Spy O3b, los tokens de parche se agrupan mediante MiniBatchKMeans ($K=64$ centroides por clase).
• Resultado: Esto crea un diccionario compacto e invariante espacialmente de 1,216 centroides prototípicos ($19 \times 64$) que representan el espacio estructural conocido. Este índice asegura una reproducibilidad perfecta a través de las iteraciones de hardware.

2.3. Calificación de Estadísticos de Orden Top-k

La innovación central es el reemplazo del promedio global por un mecanismo de Calificación de Novedad Top-k.

1. Cálculo de Anomalía Local: Para cada parche en un espectrograma entrante, el algoritmo calcula la puntuación de anomalía ($a_i$) como el inverso de la similitud de coseno máxima contra el diccionario VQ.
2. Agregación Top-k: Las puntuaciones de anomalía se ordenan de forma descendente. La puntuación de novedad global se define como la media de los valores top-$k$:
   $$\text{Novedad} = \frac{1}{k} \sum_{j=1}^{k} a_{(j)}$$
3. Optimización: Un barrido empírico determinó que $k=68$ es el estadístico óptimo para las morfologías SpiralBurst, que ocupan aproximadamente el 5% de la cuadrícula (~74 parches). Esto evita la reintroducción de la dilución de la señal al excluir la mayoría de los parches de fondo del cálculo de la puntuación.

2.4. Mapas de Saliencia Topológica

Para abordar la localización espacial sin los artefactos introducidos por el índice VQ (que pierde la información posicional), los autores desacoplan la herramienta de visualización del detector. Se genera un Mapa de Saliencia Topológica comparando los tokens de parche coordenada a coordenada contra una "Matriz Mediana de Fondo" derivada de 78 segmentos de ruido nulo. Esto proporciona un visualizador no discriminativo para la interpretación post-hoc.

3. Contribuciones Clave

1. Resolución Arquitectónica: La primera demostración de una arquitectura de calificación a nivel de parche que mitiga con éxito el Efecto de Dilución de la Señal en los datos de tiempo-frecuencia de ondas gravitacionales.
2. Indexación de Cuantización de Vectores: Un método escalable para comprimir variedades (manifolds) de parches de alta dimensión en un índice de referencia reproducible ($K=64$ por clase) adecuado para aplicaciones de transmisión (streaming).
3. Algoritmo de Calificación Top-k: Un novedoso mecanismo de calificación que aísla los componentes estructurales más anómalos, mapeando matemáticamente la estadística de detección al área física topológica de la anomalía.
4. Micro-MDC en Datos Reales: El primer Desafío de Datos Simulados (MDC) a nivel de parche realizado sobre datos reales de la deformación (strain) de LIGO O4a (sesión 20260524), demostrando una separación estadísticamente significativa donde los enfoques globales fallaron por completo.

4. Resultados Experimentales

Los autores realizaron un Micro-MDC inyectando tres morfologías (AsymBlip, SpiralBurst, HarmonicComb) en datos de L1 de LIGO O4a.

• SpiralBurst (Banda Media): El enfoque a nivel de parche logró un estadístico de Kolmogorov-Smirnov (KS) de 0.963 en el $k=68$ óptimo, lo que indica una separación estadísticamente significativa ($p < 0.01$) entre las distribuciones de glitch y ruido. Esto contrasta con el enfoque de [CLS] global, que arrojó un Recuerdo de 0.00.
• HarmonicComb (Banda Ancha): El método logró una separabilidad extrema (KS > 0.97) a través de todo el barrido de $k$, recuperando señales que antes eran indetectables mediante el agrupamiento global.
• AsymBlip (Ultra-Corto): El estudio confirmó un límite de difracción espacial. Para transitorios que ocupan solo ~15 parches (significativamente menores que el tamaño del parche de la ViT), el estadístico KS permaneció no significativo ($p > 0.5$) independientemente de $k$. Esto confirma que las señales más pequeñas que la huella del parche permanecen matemáticamente sin resolver por esta arquitectura.
• Validación de Saliencia: El Mapa de Saliencia Topológica localizó correctamente la Luz Dispersa (Scattered Light) y las firmas inyectadas de SpiralBurst. Sin embargo, el análisis de la relación Máximo/Media reveló que el ruido de fondo puede producir picos de similitud localizada comparables a las señales inyectadas. Esto confirma que el mapa de saliencia funciona como un visualizador topológico más que como un detector binario.

5. Significado y Reivindicaciones

El artículo afirma proporcionar una resolución estadísticamente robusta a la barrera de la dilución de la señal inherente a la aplicación de Vision Transformers congelados a los espectrogramas de ondas gravitacionales. Al abandonar el promedio global de los tokens en favor de la indexación de parches cuantizados por vectores y la calificación Top-k, el marco permite la detección de morfologías espacialmente extendidas que antes eran invisibles para los modelos no supervisados.

Los autores enfatizan que este enfoque no pretende resolver la detección de transitorios ultra-cortos (eventos sub-parche), sino que logra aislar la huella topológica de las anomalías de banda media y banda ancha. El marco se presenta como un precursor necesario para los Modelos de Mezcla de Proceso de Dirichlet (DPMM) para descubrir poblaciones de transitorios no modelados en los datos de LIGO O4a. El trabajo establece que la calificación a nivel de parche es un requisito previo para una detección de anomalías efectiva en datos de alta resolución de tiempo-frecuencia, transformando el paradigma de detección de un promedio global ciego a un aislamiento topológico dirigido.