VIGILant: an automatic classification pipeline for glitches in the Virgo detector

Ce travail présente VIGILant, un pipeline automatique de classification et de visualisation des glitches du détecteur Virgo qui, après avoir comparé des modèles d'arbres décisionnels et un réseau de neurones convolutif (ResNet34), a été déployé en opérations quotidiennes depuis la campagne O4c pour surveiller le comportement du détecteur avec une précision de 98,33 %.

L'essentiel

🌌 Le Contexte : Chasser les fantômes dans le bruit

Imaginez que vous essayez d'entendre un chuchotement très faible (une onde gravitationnelle, le "cri" d'un trou noir qui fusionne) dans une pièce remplie de bruit de fond. C'est ce que fait le détecteur Virgo en Italie.

Le problème, c'est que la pièce n'est pas seulement bruyante à cause du vent ou des voitures. Elle est remplie de "glitches" (des bugs ou des interférences). Ce sont des bruits soudains et étranges causés par des camions qui passent, des tremblements de terre lointains, ou même des vibrations internes du détecteur lui-même. Ces glitches ressemblent parfois tellement aux vrais signaux cosmiques qu'ils peuvent tromper les scientifiques, comme un sosie qui essaierait de se faire passer pour un roi.

🕵️‍♂️ La Solution : VIGILant, le garde du corps numérique

Pour résoudre ce problème, les auteurs ont créé VIGILant (Virgo Glitch Identification and Learning). C'est un pipeline automatique, un peu comme un gardien de nuit ultra-averti qui surveille le détecteur 24h/24.

Son travail ? Regarder chaque bruit suspect, le classer dans une catégorie précise (ex: "C'est un camion", "C'est un câble qui vibre", "C'est un vrai signal") et alerter les humains si quelque chose semble bizarre.

🧠 L'Entraînement : Deux écoles de pensée

Pour apprendre à ce garde du corps à reconnaître les différents types de bruits, les chercheurs ont testé deux méthodes d'intelligence artificielle (IA), comme deux élèves différents qui préparent un examen :

1. Les "Analystes Logiques" (Modèles en arbre) :
   Imaginez un détective qui pose des questions simples : "Le bruit est-il aigu ? Oui/Non. Est-il court ? Oui/Non."

   • Avantage : C'est rapide et on comprend exactement pourquoi il a pris sa décision.
   • Inconvénient : Il est un peu bête. Il ne voit pas la "forme" globale du bruit, juste des chiffres isolés. Il se trompe souvent sur les cas complexes.

2. Les "Artistes Visuels" (Réseaux de neurones ResNet) :
   Imaginez un peintre qui regarde la photo du bruit (un spectrogramme, une image qui montre comment le son évolue dans le temps). Il ne regarde pas juste les chiffres, il reconnaît les formes, les courbes et les motifs, comme on reconnaît un visage dans une foule.

   • Résultat : C'est le grand gagnant ! Ce modèle (appelé ResNet34) a atteint une précision de 98 %. Il est si bon qu'il voit des détails que les analystes logiques ratent.

🎨 Le Tableau de Bord : Un tableau de bord de voiture futuriste

Une fois que VIGILant a classé les bruits, il ne se contente pas de noter des chiffres. Il met tout cela sur un tableau de bord interactif (comme un tableau de bord de voiture de course, mais pour les astrophysiciens).

• Le "Glitchgram" : C'est une carte visuelle où chaque bruit est un point coloré. La taille du point indique la force du bruit, et la couleur indique son type. Si vous voyez une tache rouge énorme, vous savez tout de suite : "Houlà, il y a un gros problème de vibration aujourd'hui !".
• Le Filtre de Confiance : Parfois, le garde du corps n'est pas sûr à 100 %. Au lieu de deviner, VIGILant dit : "Je ne suis pas sûr, c'est un cas douteux". Il met alors ces cas dans une catégorie "À vérifier". Cela évite de gaspiller du temps sur des fausses alertes et aide les humains à se concentrer sur ce qui est vraiment mystérieux.

🚀 Pourquoi c'est important ?

Avant VIGILant, les scientifiques devaient passer des heures à trier manuellement ces bruits, ou utiliser des outils moins précis qui se trompaient souvent.

Aujourd'hui, VIGILant tourne tous les jours sur le détecteur Virgo. Il agit comme un filtre intelligent qui nettoie la "poussière" des données. Grâce à lui :

• Les scientifiques voient plus clair dans le bruit.
• Ils peuvent détecter des signaux cosmiques plus faibles.
• Ils comprennent mieux comment leur machine fonctionne et comment l'améliorer.

En résumé

VIGILant, c'est comme donner un super-pouvoir de vision à l'observatoire Virgo. Au lieu d'être aveuglé par le bruit de la vie quotidienne, le détecteur peut maintenant dire : "Ah, ce bruit-là, c'est juste un camion qui passe. Ce bruit-là, c'est un vrai signal d'un trou noir !" C'est une avancée majeure pour écouter l'univers plus clairement.

Résumé technique

1. Problématique

Les détecteurs d'ondes gravitationnelles, tels que Virgo, sont intrinsèquement sensibles aux bruits transitoires non gaussiens appelés "glitches". Ces artefacts, d'origines environnementales, anthropiques ou instrumentales, contaminent les données et peuvent imiter des signaux astrophysiques réels (notamment ceux des fusions de trous noirs massifs) ou se superposer à eux, entravant ainsi la détection et l'estimation des paramètres des sources.

Bien que le projet Gravity Spy ait permis de classifier les glitches pour les détecteurs LIGO, son modèle présente des limites critiques pour Virgo :

• Biais de formation : Le corpus d'entraînement est composé exclusivement de glitches LIGO. Or, les différences de conception matérielle et de sensibilité entre Virgo et LIGO sont significatives.
• Confiance excessive : Le classifieur ML de Gravity Spy tend à être trop confiant, produisant parfois des prédictions erronées avec une haute probabilité, ce qui fausse l'analyse de la qualité des données de Virgo.
• Absence de pipeline automatisé : Il n'existait pas de pipeline de classification automatique et continu intégré spécifiquement pour les flux de données de Virgo.

2. Méthodologie

L'article présente VIGILant (Virgo Glitch Identification and Learning), un pipeline automatique de classification et de visualisation des glitches. La méthodologie se décompose en trois étapes principales :

A. Construction du Dataset (O3b)

Les auteurs ont utilisé les données de la deuxième moitié de la troisième campagne d'observation (O3b) de Virgo.

• Re-labeling : Une inspection visuelle approfondie a révélé que certaines classes de Gravity Spy étaient ambiguës ou redondantes pour Virgo (ex: confusion entre Scattered Light, Low Frequency Burst, Violin Mode).
• Réduction des classes : Les classes ont été regroupées pour former un jeu de données équilibré de 11 193 glitches répartis en 7 classes :
  1. Scattering (regroupant Scattered Light, Paired Doves, Light Modulation, etc.)
  2. Resonance Line (regroupant Whistle et Violin Mode)
  3. Tomte
  4. Blip
  5. No Glitch
  6. Extremely Loud
  7. Koi Fish
• Représentation des données : Deux types d'entrées ont été utilisés pour l'entraînement des modèles :
  1. Paramètres Omicron : Données structurées (fréquence de pic, SNR, amplitude, durée, bande passante).
  2. Spectrogrammes : Images générées par transformée Q (Q-transform) sur des fenêtres temporelles de 0,5s, 2s et 4s. Ces trois fenêtres sont empilées dans les canaux de couleur d'une image unique (vue "encoded134") pour capturer différentes morphologies.

B. Modèles d'Apprentissage Automatique

Deux approches ont été comparées :

1. Modèles basés sur les arbres (Tree-based) : Entraînés sur les paramètres Omicron.
   • Arbres de décision (DT), Forêts aléatoires (Random Forest - RF) et XGBoost.
   • Avantages : Interprétabilité élevée, temps d'entraînement très court.
2. Réseaux de Neurones Convolutifs (CNN) : Entraînés sur les spectrogrammes.
   • Architecture ResNet (versions 18, 34 et 50).
   • Utilisation de la fonction de perte cross-entropy et de l'optimiseur AdamW avec un cycle d'apprentissage (1-cycle policy).

C. Évaluation et Sélection

Le jeu de données a été divisé en ensembles d'entraînement (70 %), de validation (15 %) et de test (15 %) avec un échantillonnage stratifié. La métrique principale retenue est le F1-score macro (moyenne harmonique de la précision et du rappel) pour tenir compte du déséquilibre des classes.

3. Résultats Clés

• Performance du modèle ResNet : Le modèle ResNet34 a surpassé tous les autres, atteignant un F1-score de 0,9772 et une précision de 0,9833 sur l'ensemble de test.
  • Il a considérablement réduit les confusions entre classes morphologiquement similaires (ex: Blip vs Tomte, Koi Fish vs autres).
  • Le temps d'inférence est de l'ordre de quelques dizaines de millisecondes par glitch (0,04 s sur CPU), permettant une opération en quasi-temps réel.
• Limites des modèles basés sur les arbres : Bien que rapides et interprétables, les modèles RF et XGBoost (F1 ~ 0,90) ont montré des performances inférieures, notamment pour les classes minoritaires comme Koi Fish.
• Gestion de la confiance (Low Confidence) :
  • Un seuil de confiance (2,5e percentile des scores de validation, soit 0,8543) a été défini.
  • Les glitches avec une probabilité inférieure à ce seuil sont étiquetés "Low Confidence". Cela permet d'isoler les cas ambigus ou les glitches hors distribution (novels).
  • Application à des classes hors domaine (ex: Air Compressor et 32 Hz Blobs) : Le modèle a correctement identifié une grande partie de ces glitches comme "Low Confidence" (57 % et 40 % respectivement), démontrant sa capacité à signaler l'inconnu.
• Qualité des étiquettes : L'analyse des erreurs de prédiction a révélé que la plupart des discordances entre le modèle et les étiquettes de référence provenaient d'étiquettes de référence incorrectes plutôt que d'erreurs du modèle, validant ainsi la qualité du nouveau jeu de données.

4. Contributions et Déploiement

• Pipeline VIGILant : Déployé quotidiennement sur le cluster de calcul de l'Observatoire Gravitational Européen (EGO) depuis la campagne d'observation O4c.
• Tableau de bord interactif : Le pipeline alimente un tableau de bord permettant aux collaborateurs de Virgo de :
  • Visualiser les glitches dans le temps et la fréquence (Glitchgram interactif).
  • Suivre l'évolution des populations de glitches par jour et par mois.
  • Identifier les anomalies et les comportements du détecteur.
• Filtrage des prédictions : Le système met en évidence les glitches à faible confiance nécessitant une attention humaine supplémentaire.

5. Signification et Perspectives

Ce travail marque une avancée significative pour la caractérisation du détecteur Virgo :

1. Spécificité Virgo : Pour la première fois, un classifieur est entraîné spécifiquement sur des données Virgo, corrigeant les biais des modèles LIGO.
2. Efficacité opérationnelle : L'automatisation permet un monitoring continu et rapide, essentiel pour la qualité des données en temps réel.
3. Fondation pour le futur : Le pipeline pose les bases pour des développements futurs, notamment :
   • L'utilisation de l'apprentissage non supervisé pour découvrir de nouvelles classes de glitches.
   • L'intégration de méthodes de reconstruction et de soustraction des glitches (via Total Variation et Sparse Dictionary Learning) pour nettoyer les données avant l'analyse astrophysique.

En conclusion, VIGILant représente un outil robuste et indispensable pour améliorer la sensibilité de Virgo en permettant une identification rapide et précise des artefacts de données.