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

Sintesi Tecnica: Caratterizzazione Morfologica Non Supervisionata dei Glitch delle Onde Gravitazionali in LIGO O4a Utilizzando Caratteristiche DINOv2 Congelate

Enunciato del Problema
I rivelatori di onde gravitazionali (GW) basati a terra, come Advanced LIGO, sono suscettibili ad artefatti di rumore transitorio non gaussiano noti come "glitch". Questi artefatti possono mimare segnali astrofisici, ridurre la sensibilità del rivelatore e complicare la stima dei parametri. Sebbene il progetto Gravity Spy abbia stabilito uno standard per la classificazione dei glitch utilizzando l'apprendimento automatico supervisionato e la scienza partecipativa, questi approcci sono intrinsecamente limitati al riconoscimento di morfologie per le quali sono stati esplicitamente addestrati. Non sono in grado di identificare tipi di glitch precedentemente non caratterizzati. La domanda centrale affrontata in questo lavoro è se la campagna di osservazione LIGO O4a abbia introdotto morfologie di glitch non presenti nelle campagne precedenti, specificamente quelle che sarebbero invisibili ai classificatori supervisionati addestrati su dati storici.

Metodologia
Gli autori presentano gravi-signal-ml, una pipeline completamente non supervisionata e zero-shot progettata per caratterizzare i transienti di rumore strumentale senza dati di addestramento etichettati, senza affinamento specifico del dominio e senza accelerazione GPU. La metodologia procede come segue:

1. Preprocessing dei Dati: La pipeline analizza 1.277 ore di dati di deformazione (strain) pubblici dai rivelatori di Hanford (H1) e Livingston (L1) attraverso quattro finestre temporali indipendenti nel 2023. I dati grezzi sono segmentati in blocchi di 32 secondi, sbiancati, filtrati in banda (20–2000 Hz) e convertiti in spettrogrammi Q-transform di 256×256 pixel utilizzando la mappa di colori cividis per garantire l'uniformità percettiva durante la conversione in scala di grigi.
2. Estrazione delle Caratteristiche: Gli spettrogrammi sono codificati utilizzando un Vision Transformer DINOv2 congelato (ViT-S/14 con token di registro) pre-addestrato su immagini naturali. Il modello è utilizzato in modalità di valutazione senza affinamento. L'output del token CLS viene estratto come embedding a 384 dimensioni e normalizzato L2. L'uso dei token di registro è inteso a sopprimere gli artefatti comuni quando si elaborano immagini non naturali.
3. Riduzione della Dimensionalità: Gli embedding sono proiettati da 384 a 50 dimensioni tramite Analisi delle Componenti Principali (PCA), mantenendo >98% della varianza. Una successiva approssimazione e proiezione di varietà uniforme (UMAP) riduce i dati a 10 dimensioni per il clustering, utilizzando una metrica del coseno per tenere conto della geometria dell'ipersfera unitaria degli embedding.
4. Clustering: Viene impiegato un Modello di Miscela di Processo di Dirichlet (DPMM) per determinare automaticamente il numero di gruppi morfologici. A differenza dei metodi basati sulla densità (ad es. HDBSCAN), il DPMM evita la sensibilità alla dimensione minima del cluster assegnando un peso trascurabile ai componenti superflui.
5. Validazione e Controllo Incrociato:
   • Controllo Incrociato Morfologico: I cluster anomali (quelli con punteggi di log-verosimiglianza bassi) sono confrontati con un indice di riferimento interno al dominio costruito dal dataset etichettato Gravity Spy O3b, elaborato attraverso la stessa pipeline esatta per eliminare le lacune di dominio. I campioni sono classificati come Noti, Ambigui o Nuovi in base a soglie di similarità del coseno.
   • Test di Robustezza: La pipeline subisce studi di ablazione (conversione in scala di grigi, inversione dei pixel, scalatura dell'intensità), analisi di stabilità (perturbazione degli iperparametri) e test di fondo con scorrimento temporale per escludere coincidenze statisticamente significative tra H1 e L1.

Contributi Chiave

1. Pipeline Zero-Shot: La prima applicazione di caratteristiche DINOv2 congelate alla caratterizzazione della morfologia dei glitch GW, che non richiede dati etichettati o risorse GPU.
2. Validazione Sistematica: Un framework di validazione multistrato applicato coerentemente attraverso quattro finestre O4a indipendenti, inclusi stime di fondo per ablazione, stabilità e scorrimento temporale.
3. Baseline Riproducibile: La fornitura di una pipeline open-source completamente documentata e dei risultati per la caratterizzazione zero-shot dei glitch.
4. Osservazione Empirica: L'identificazione di una differenza sistematica nella robustezza delle caratteristiche tra i rivelatori H1 e L1.

Risultati
La pipeline ha elaborato oltre 188.000 spettrogrammi attraverso le quattro sessioni. I risultati hanno prodotto un risultato nullo riguardo a morfologie nuove:

• Nessun Glitch Nuovo: Non sono stati identificati candidati di glitch morfologicamente nuovi. Tutti i cluster anomali sono stati mappati su classi Gravity Spy note con una media di similarità del coseno top-1 superiore a 0,98.
• Stabilità del Cluster: Il DPMM ha identificato 10–16 gruppi morfologici per rivelatore per sessione. L'analisi di stabilità ha confermato la riproducibilità, con valori medi dell'Indice Rand Aggiustato (ARI) superiori a 0,83 nelle esecuzioni perturbate.
• Asimmetria del Rivelatore: È stata osservata una notevole asimmetria nella robustezza degli embedding alla conversione in scala di grigi. Gli embedding L1 hanno mostrato un'alta robustezza (ARI in scala di grigi > 0,90 nella maggior parte delle sessioni), mentre gli embedding H1 hanno esibito una robustezza inferiore e più variabile (ARI in scala di grigi compreso tra 0,62 e 0,90). Ciò suggerisce una differenza strutturale nel manifold del rumore H1 sotto l'estrazione delle caratteristiche DINOv2, potenzialmente legata alla nota non stazionarietà nel pavimento di rumore di H1.
• Esclusione del Fondo: I test con scorrimento temporale non hanno mostrato coincidenze statisticamente significative H1–L1 (p ≥ 0,1), escludendo artefatti strumentali correlati come causa delle popolazioni osservate.
• Benchmarking: Quando confrontato con il riferimento Gravity Spy, il DPMM ha ottenuto un ARI di 0,133. Gli autori notano che questo punteggio moderato riflette la divergenza fondamentale tra le convenzioni morfologiche definite dall'uomo e la similarità visiva intrinseca nello spazio degli embedding, piuttosto che un fallimento del metodo.

Significato e Affermazioni
Il documento afferma che il suo risultato nullo è scientificamente significativo. Stabilisce che, alla sensibilità e alla risoluzione temporale di questa specifica pipeline (finestre di 32 secondi, backbone ViT-S/14), la popolazione di glitch O4a nelle finestre analizzate è morfologicamente coerente con il catalogo Gravity Spy O3b. Questo si allinea con precedenti scoperte secondo cui O4a presenta tassi elevati di classi di glitch note (ad es. Low Frequency Lines, 1400Ripples) piuttosto che morfologie fondamentalmente nuove.

Gli autori chiariscono modestamente che questo risultato non prova che i glitch nuovi non esistano in O4a; piuttosto, ne vincola la prevalenza al di sotto della soglia di rilevamento di questo approccio. Le limitazioni riconosciute includono la finestra fissa di 32 secondi (che potrebbe perdere transienti sub-secondo), l'uso di un backbone ViT più piccolo e il fatto che le finestre analizzate coprono solo circa il 5% dell'intero dataset O4a. Il lavoro funge da baseline riproducibile per futuri sforzi di caratterizzazione zero-shot, con la pipeline e tutti i dati pubblicamente disponibili.

Contesto e Disponibilità
Il contesto di questa ricerca è ulteriormente ampliato dal recente rilascio del catalogo GWTC-5.0 da parte della collaborazione LIGO-Virgo-KAGRA nel maggio 2026, che ha riportato 161 nuovi eventi di onde gravitazionali. Questo volume crescente di dati evidenzia la necessità urgente di strumenti di caratterizzazione dei glitch scalabili e non supervisionati come quello presentato in questo studio. Per garantire la piena riproducibilità, la pipeline open-source gravi-signal-ml è disponibile su GitHub all'indirizzo https://github.com/lucacirfeta/dante-gravi-signal-ml, con una versione archiviata identificabile tramite il DOI 10.5281/zenodo.20121860.