Unsupervised Morphological Characterization of Gravitational-Wave Glitches in LIGO O4a Using Frozen DINOv2 Features

Résumé technique : Caractérisation morphologique non supervisée des glitches d'ondes gravitationnelles dans LIGO O4a à l'aide de caractéristiques DINOv2 figées

Énoncé du problème
Les détecteurs d'ondes gravitationnelles (GW) au sol, tels que l'Advanced LIGO, sont sensibles à des artefacts de bruit transitoires non gaussiens connus sous le nom de « glitches ». Ces artefacts peuvent imiter des signaux astrophysiques, réduire la sensibilité du détecteur et compliquer l'estimation des paramètres. Bien que le projet Gravity Spy ait établi une norme pour la classification des glitches en utilisant l'apprentissage automatique supervisé et la science citoyenne, ces approches sont intrinsèquement limitées à la reconnaissance des morphologies sur lesquelles elles ont été explicitement entraînées. Elles ne peuvent pas identifier des types de glitches précédemment non caractérisés. La question centrale abordée dans ce travail est de savoir si la campagne d'observation O4a de LIGO a introduit des morphologies de glitches absentes des campagnes précédentes, spécifiquement celles qui seraient invisibles pour des classificateurs supervisés entraînés sur des données historiques.

Méthodologie
Les auteurs présentent gravi-signal-ml, un pipeline entièrement non supervisé et « zero-shot » conçu pour caractériser les transitoires de bruit instrumental sans données d'entraînement étiquetées, sans affinage spécifique au domaine et sans accélération GPU. La méthodologie se déroule comme suit :

1. Prétraitement des données : Le pipeline analyse 1 277 heures de données de déformation publiques provenant des détecteurs Hanford (H1) et Livingston (L1) sur quatre fenêtres temporelles indépendantes en 2023. Les données brutes sont segmentées en tranches de 32 secondes, blanchies, filtrées par bande passante (20–2000 Hz) et converties en spectrogrammes Q-transform de 256×256 pixels utilisant la carte de couleurs cividis pour assurer l'uniformité perceptive lors de la conversion en niveaux de gris.
2. Extraction de caractéristiques : Les spectrogrammes sont encodés à l'aide d'un Vision Transformer DINOv2 figé (ViT-S/14 avec jetons de registre) pré-entraîné sur des images naturelles. Le modèle est utilisé en mode évaluation sans affinage. La sortie du jeton CLS est extraite sous forme d'un embedding à 384 dimensions et normalisée selon la norme L2. L'utilisation de jetons de registre vise à supprimer les artefacts courants lors du traitement d'images non naturelles.
3. Réduction de dimensionnalité : Les embeddings sont projetés de 384 à 50 dimensions via une Analyse en Composantes Principales (PCA), conservant >98 % de la variance. Une Approximation et Projection de Variété Uniforme (UMAP) réduit ensuite les données à 10 dimensions pour le regroupement, en utilisant une métrique cosinus pour tenir compte de la géométrie de l'hypersphère unitaire des embeddings.
4. Regroupement (Clustering) : Un Modèle de Mélange de Processus de Dirichlet (DPMM) est employé pour déterminer automatiquement le nombre de groupes morphologiques. Contrairement aux méthodes basées sur la densité (par exemple HDBSCAN), le DPMM évite la sensibilité à la taille minimale des clusters en attribuant un poids négligeable aux composantes superflues.
5. Validation et vérification croisée :
   • Vérification croisée morphologique : Les clusters anormaux (ceux avec de faibles scores de vraisemblance logarithmique) sont comparés à un index de référence intra-domaine construit à partir du jeu de données étiqueté Gravity Spy O3b, traité via exactement le même pipeline pour éliminer les écarts de domaine. Les échantillons sont classés comme Connus, Ambigus ou Nouveaux sur la base de seuils de similarité cosinus.
   • Tests de robustesse : Le pipeline subit des études d'ablation (conversion en niveaux de gris, inversion des pixels, mise à l'échelle de l'intensité), une analyse de stabilité (perturbation des hyperparamètres) et des tests de fond par décalage temporel pour écarter les coïncidences statistiquement significatives entre H1 et L1.

Contributions clés

1. Pipeline Zero-Shot : La première application de caractéristiques DINOv2 figées à la caractérisation morphologique des glitches GW, ne nécessitant ni données étiquetées ni ressources GPU.
2. Validation systématique : Un cadre de validation multicouche appliqué de manière cohérente sur quatre fenêtres O4a indépendantes, incluant l'estimation du fond par ablation, stabilité et décalage temporel.
3. Référence reproductible : La fourniture d'un pipeline open-source entièrement documenté et de résultats pour la caractérisation zero-shot des glitches.
4. Observation empirique : L'identification d'une différence systématique dans la robustesse des caractéristiques entre les détecteurs H1 et L1.

Résultats
Le pipeline a traité plus de 188 000 spectrogrammes au cours des quatre sessions. Les résultats ont abouti à un résultat nul concernant les morphologies nouvelles :

• Aucun glitch nouveau : Aucun candidat de glitch morphologiquement nouveau n'a été identifié. Tous les clusters anormaux correspondaient à des classes Gravity Spy connues avec une similarité cosinus moyenne top-1 supérieure à 0,98.
• Stabilité des clusters : Le DPMM a identifié 10 à 16 groupes morphologiques par détecteur et par session. L'analyse de stabilité a confirmé la reproductibilité, avec des valeurs moyennes d'Indice de Rand Ajusté (ARI) dépassant 0,83 sur les exécutions perturbées.
• Asymétrie des détecteurs : Une asymétrie notable a été observée dans la robustesse des embeddings face à la conversion en niveaux de gris. Les embeddings L1 ont montré une forte robustesse (ARI en niveaux de gris > 0,90 dans la plupart des sessions), tandis que les embeddings H1 ont présenté une robustesse plus faible et plus variable (ARI en niveaux de gris allant de 0,62 à 0,90). Cela suggère une différence structurelle dans la variété du bruit H1 sous l'extraction de caractéristiques DINOv2, potentiellement liée à la non-stationnarité connue du plancher de bruit H1.
• Exclusion du fond : Les tests par décalage temporel n'ont montré aucune coïncidence H1–L1 statistiquement significative (p ≥ 0,1), excluant les artefacts instrumentaux corrélés comme cause des populations observées.
• Étalonnage : Lors de l'étalonnage par rapport à la référence Gravity Spy, le DPMM a obtenu un ARI de 0,133. Les auteurs notent que ce score modéré reflète la divergence fondamentale entre les conventions morphologiques définies par l'humain et la similarité visuelle intrinsèque dans l'espace d'embedding, plutôt qu'un échec de la méthode.

Signification et affirmations
L'article affirme que son résultat nul est scientifiquement significatif. Il établit que, à la sensibilité et à la résolution temporelle de ce pipeline spécifique (fenêtres de 32 secondes, architecture ViT-S/14), la population de glitches O4a dans les fenêtres analysées est morphologiquement cohérente avec le catalogue Gravity Spy O3b. Cela s'aligne sur les découvertes précédentes indiquant que les caractéristiques O4a présentaient des taux accrus de classes de glitches connues (par exemple, Lignes à basse fréquence, 1400Ripples) plutôt que des morphologies fondamentalement nouvelles.

Ce travail s'inscrit dans un contexte de croissance exponentielle des données GW. En mai 2026, la collaboration LIGO-Virgo-KAGRA a publié le catalogue GWTC-5.0, rapportant 161 nouveaux événements d'ondes gravitationnelles. Ce volume croissant de données renforce la nécessité d'outils de caractérisation de glitches évolutifs et non supervisés, tels que celui présenté ici, pour gérer efficacement les futurs flux de données.

Les auteurs précisent modestement que ce résultat ne prouve pas que des glitches nouveaux n'existent pas dans O4a ; il contraint plutôt leur prévalence en dessous du seuil de détection de cette approche. Les limitations reconnues incluent la fenêtre fixe de 32 secondes (qui peut manquer des transitoires inférieurs à la seconde), l'utilisation d'une architecture ViT plus petite, et le fait que les fenêtres analysées ne couvrent que ~5 % de l'ensemble complet des données O4a.

Disponibilité du code et des données
Le pipeline open-source gravi-signal-ml est disponible sur GitHub à l'adresse suivante : https://github.com/lucacirfeta/dante-gravi-signal-ml. Une version archivée du code et des résultats est accessible via le DOI : 10.5281/zenodo.20121860.