NNNN: Neural Networks for Newtonian Noise Mitigation at the Einstein Telescope

Sintesi Tecnica: Reti Neurali per la Mitigazione del Rumore Newtoniano all'Einstein Telescope

Definizione del Problema
Il rumore Newtoniano (NN), derivante dall'accoppiamento gravitazionale delle fluttuazioni di densità sismica e degli spostamenti del terreno con le masse di prova dei rilevatori di onde gravitazionali sotterranei, è proiettato come la fonte di rumore dominante per l'Einstein Telescope (ET) alle frequenze inferiori a 15 Hz. Per mitigarlo, si propone di prevedere il NN alla massa di prova utilizzando le misurazioni provenienti da un array di sismometri circostanti. Sebbene i filtri di Wiener (WF) siano stati il benchmark standard per questo compito di previsione, essi si basano su assunzioni di stazionarietà che potrebbero non sussistere in presenza di eventi sismici transitori o non stazionari. Questo articolo investiga se le architetture di deep learning, specificamente le Reti Neurali Convoluzionali (CNN) e le Reti Neurali a Grafo (GNN), possano superare i filtri di Wiener nel prevedere e mitigare il NN, particolarmente in scenari non stazionari.

Metodologia
Gli autori hanno sviluppato un framework di simulazione per generare dataset sintetici per l'addestramento e la valutazione.

• Fisica della Simulazione: La simulazione modella le fluttuazioni di densità ($\delta\rho$) in un mezzo omogeneo come onde piane monocromatiche e pacchetti d'onda gaussiani. Queste fluttuazioni generano campi di spostamento del terreno ($\vec{\xi}$) e la risultante forza Newtoniana su uno specchio. La simulazione tiene conto sia delle onde P (longitudinali, che causano fluttuazioni di densità volumetrica) sia delle onde S (taglio, che causano spostamenti di interfaccia).
• Generazione dei Dati: Il dataset include serie temporali di spostamenti 3D da $N_S$ sismometri e la forza NN target in un singolo specchio. Sono stati creati tre distinti scenari di dati:
  1. Caso Stazionario: Somme di 10 onde piane campionate casualmente.
  2. Onde Piane Dominanti: Eventi di singola onda piana.
  3. Pacchetti d'Onda Dominanti: Eventi di singolo pacchetto d'onda gaussiano (transitori).
• Benchmark: Un filtro di Wiener è stato implementato nel dominio della frequenza, addestrato sulla densità spettrale di potenza incrociata (CPSD) dei dati del sismometro e del segnale target.
• Architetture Neurali:
  • CNN: Hanno utilizzato convoluzioni spazio-temporali con kernel spaziali e temporali separati. Progettate per griglie di sismometri regolari (ad esempio, disposizioni cubiche o cuboidi).
  • GNN: Hanno utilizzato strati di attenzione sul grafo (Graph Attention Layers - GATs) per gestire griglie di sismometri irregolari. La rete riceve in input una matrice di adiacenza che rappresenta le distanze inverse tra i sensori, permettendo posizionamenti di sensori non uniformi e ottimizzati.
• Addestramento: I modelli sono stati addestrati per minimizzare l'errore assoluto medio tra la forza NN predetta e quella reale. È stato aggiunto rumore ai sismometri (rumore bianco con SNR=15) ai dati di input.

Risultati Chiave
Le prestazioni sono state valutate utilizzando il rapporto residuo ($\sqrt{r_{ind}}$) e i fattori di riduzione della Densità Spettrale di Ampiezza (ASD).

1. Campi d'Onda Stazionari:

   • Per campi approssimativamente stazionari (onde piane sovrapposte), le CNN e i WF hanno dimostrato prestazioni comparabili.
   • Entrambi i metodi hanno raggiunto fattori di soppressione tra 10 e 20.
   • Le CNN hanno performato leggermente meglio dei WF (i residui erano da 1,1 a 1,4 volte inferiori), ma la differenza è marginale.

2. Eventi Dominanti/Non Stazionari (Onde Piane e Pacchetti d'Onda):

   • In scenari dominati da singoli eventi (non stazionari), le reti neurali hanno superato significativamente il filtro di Wiener.
   • Onde Piane: Le CNN hanno ridotto i residui di fattori fino a 40 rispetto ai WF. Mentre i WF hanno ottenuto fattori di soppressione di circa 2, le CNN hanno raggiunto fattori di 10–40.
   • Pacchetti d'Onda Gaussiani: Il divario di prestazioni si è ampliato. Le CNN hanno ottenuto fattori di soppressione di 10–30 (fino a un fattore di 30 alle basse frequenze), mentre i WF hanno appena superato un fattore di 1,6.
   • Il rapporto tra i residui WF e CNN variava da 15 a 80 a seconda della forza dell'evento e della frequenza, con le CNN che mantenevano residui nell'ordine delle singole cifre o della bassa doppia cifra, mentre i residui WF spesso superavano il 100% (amplificazione) per eventi a bassa RMS.

3. Configurazione dell'Array e Architettura:

   • Dimensione dell'Array: L'aumento dell'array da 8 a 32 sismometri ha migliorato le prestazioni per entrambi i metodi. Tuttavia, il WF ha beneficiato maggiormente dell'aumento della densità dei dati rispetto alla CNN, suggerendo che le CNN possono estrarre informazioni in modo efficiente anche da array più piccoli.
   • Griglie Regolari vs. Irregolari: Le GNN sono state testate su griglie irregolari ottimizzate per la mitigazione del NN. Sebbene le GNN abbiano mostrato prestazioni leggermente inferiori rispetto alle CNN su griglie regolari (probabilmente a causa di meno parametri addestrabili), hanno comunque superato significativamente i WF su griglie irregolari.
   • Ottimizzazione: L'uso di una griglia irregolare ottimizzata con le GNN ha migliorato le prestazioni rispetto a una griglia regolare standard, raggiungendo fattori di soppressione di 9–16 rispetto al ~1,5 del WF.

Significatività e Rivendicazioni
L'articolo sostiene che le reti neurali sono un'alternativa valida e spesso superiore ai filtri di Wiener per la mitigazione del rumore Newtoniano, particolarmente quando il campo d'onda sismico è non stazionario.

• Prestazioni: Gli autori affermano che, per sorgenti di rumore transitorie o dominanti, le reti neurali possono sopprimere le ampiezze del NN con fattori di 10–30, superando i filtri di Wiener di fattori da 15 a 80.
• Flessibilità: Lo studio evidenzia l'utilità delle GNN nel gestire array di sismometri irregolari e ottimizzati, che sono teoricamente più efficaci per la mitigazione del NN rispetto alle griglie regolari, ma difficili da elaborare con le CNN standard.
• Implicazioni Pratiche: La capacità delle reti neurali di performare bene su array più piccoli suggerisce un potenziale riduzione del numero di pozzi necessari, abbassando così i costi di costruzione del rilevatore.
• Limitazioni e Lavori Futuri: Gli autori notano con modestia che le attuali GNN hanno meno parametri addestrabili rispetto alle loro controparti CNN, il che potrebbe spiegare il divario di prestazioni. Il lavoro futuro proposto include l'inclusione di modelli geologici più realistici (mezzi stratificati, onde superficiali, conversioni di modo) e il confronto di questi risultati con filtri di Wiener adattivi. Lo studio si basa su dati sintetici da un mezzo omogeneo semplificato; la validazione con dati reali del sottosuolo è identificata come il passo successivo necessario.