Searching for binary black hole mergers with deep learning in Advanced LIGO's third observing run

技術要約：Advanced LIGOの第3観測ランにおけるディープラーニングを用いた連星ブラックホール合体の探索

問題提起
コンパクト連星の合体による重力波（GW）の検出は日常的なものとなっているが、新たな、かつユニークな候補天体の発見は依然として重要な研究領域である。LIGO-Virgo-KAGRA（LVK）コラボレーションは、確立されたマッチドフィルタリング・パイプライン（例：PyCBC、GstLAL、MBTA）や非モデル化バースト探索（cWB）を利用しているが、独立したオフライン探索もまた、追加の候補やユニークなイベントを特定し続けている。既存のディープラーニング手法（例：AresGW、Aframe）は有望な結果を示しているが、標準的なカタログと大きく重複することが多い。本研究が取り組む課題は、マッチドフィルタリングの堅牢性とディープラーニングのパターン認識能力を組み合わせたハイブリッド探索パイプラインを開発し、検出器のストレインデータから恒星質量連星ブラックホール（BBH）の候補を特定することである。具体的には、第3観測ラン（O3）における既存のLVKパイプラインに対する感度のベンチマークを行い、ユニークなイベントの回収を目指す。

手法
著者らは、LIGO Hanford（H1）およびLivingston（L1）検出器からのデータを処理するハイブリッド探索パイプラインを開発した。ワークフローは以下の通りである。

1. マッチドフィルタリングとトリガー生成： パイプラインは、成分質量 $>2 M_\odot$、低周波数カットオフ15 Hzの97,802個のBBH波形（SEOBNRv4 ROM近似形）を用いたテンプレートバンクを用いてマッチドフィルタリングを行う。ピーク探索アルゴリズムにより、少なくとも一方の検出器で信号対雑音比（SNR）が4を超え、かつもう一方の検出器において光行路時間（$\sim10$ ms）以内の同時的なピークが要求されるトリガーを特定する。
2. ディープラーニングによる分類： 各1秒間のデータに対し、ネットワークSNRが最も高い10個のテンプレートを選択する。このテンプレートのSNR時系列データは、学習済みディープラーニングモデル（畳み込み層と全結合層を持つResNetアーキテクチャに基づく）に入力される。モデルは、1秒間のウィンドウ内で16ステップ（1/16秒刻み）にわたって時系列を処理する。
3. ランキング統計量： モデルは各ステップに対して予測を出力する。パイプラインはこれら10個のテンプレートのステップごとの予測を平均化し、その1秒間における最も高い平均予測値を持つ単一のテンプレートを、ランキング統計量として選択する。
4. 学習戦略： モデルは、O3データから派生した1秒間のSNR時系列サンプルを用いて学習された。データセットは、純粋なノイズ、グリッチに汚染されたノイズ（Omicronにより特定）、および注入されたBBH信号のバランスを考慮して構成されている。特に、天体物理学的な事前分布において過小評価されがちな高質量系の十分な表現を確保するため、注入分布は手動で制御された。グリッチは、学習中の相互作用を最大化するために信号の周波数に合わせられた。
5. 有意性の推定：
   • 誤警報率（FAR）： 検出器を10 ms以上デカップリング（時間シフト）させたデータ解析を通じて、背景分布としてのノイズトリガーを作成することで算出される。
   • 天体起源の確率（$p_{astro}$）： フォアグラウンド（信号）とバックグラウンド（ノイズ）を独立したポアソン過程としてモデル化する、信号対雑音のベイズ因子を用いて計算される。パラメータは、$p_{astro} \ge 0.5$ の閾値が特定の背景およびフォアグラウンドのトリガー密度の交点に対応するように、注入キャンペーンを用いて調整された。

主な貢献と結果

• 感度ベンチマーク： パイプラインは、GWTC-3注入セットに含まれる83,815個の注入されたBBH信号に対してテストされた。このハイブリッドアプローチは、ソースフレームのチャープ質量が$25 M_\odot$より大きい場合において、既存のパイプライン（PyCBC-BBH、GstLALなど）と同等の感度を示した。しかし、チャープ質量がこの閾値を下回る場合、およびネットワークSNRが15未満の場合には感度が低下した。
• ユニークな検出： O3データにおいて、$p_{astro} \ge 0.5$ かつ FAR $< 2$ 日あたりという基準を満たす33個の候補イベントを特定した。
  • 回収： これらの候補のうち31個は、LVKのGWTC-3カタログと一致した。
  • 新規／ユニークな候補： 以下の2つの追加候補を特定した。
    1. GW190605 025957： 高次モード探索（IASによる）によってのみ報告されていた。著者らは、データ品質の問題（過渡的なノイズイベント）の可能性を指摘しているが、本パイプラインにおける候補の有意性を確認している。
    2. GW190929 091722： これまで報告されていなかった候補であり、$p_{astro}$は0.63であった。パラメータ推定によれば、高い総質量（$171^{+172}_{-58} M_\odot$）を示唆しており、主成分がペア不安定性質量ギャップ内に存在する可能性のある中間質量ブラックホール（IMBH）である顕著な確率がある。
• ディープラーニング vs テンプレートバンク： ディープラーニング探索と同じテンプレートバンクを用いたPyCBCパイプラインによる比較研究により、ユニークな検出能力はテンプレートバンクの選択ではなく、ディープラーニングによるランキング統計量に由来することが確認された。ディープラーニングのアプローチは、標準的なPyCBC統計量よりも有意に多くのユニークなイベント（特定のテストウィンドウにおいて348対23）を特定した。
• 見逃された候補： 著者らは、他のパイプラインによって検出されたが本探索では検出されなかった75個の候補イベントを分析した。ミスの大部分は、低質量系（チャープ質量 $< 25 M_\odot$）および低SNRイベントに対するパイプラインの感度低下に起因していた。その他のミスは、データセグメントのカット（最初の200秒および最後の24秒）や、長時間テンプレートへのグリッチ干渉などの設計上の制約によるものであった。

意義と主張
本論文は、提案されたハイブリッド探索パイプラインが、標準的なランキング統計量を用いる従来のマッチドフィルタリング・パイプラインが見逃している、有意な数のユニークな重力波候補を特定することに成功したと主張している。現在の手法は、低質量系に対する感度やグリッチに対する堅牢性において最適化の余地があるものの、高質量BBH合体やユニークなイベントを検出する能力は、ディープラーニング分類器を重力波探索パイプラインに統合することの価値を示している。

著者らは、ユニークな検出が、SNR時系列における信号とノイズを従来の統計的手法とは異なる方法で識別するディープラーニングモデルの能力の直接的な結果であることを強調している。彼らは、現在の実装には低質量系の感度およびグリッチに対する堅牢性のための最適化が必要であるが、このハイブリッドアプローチは補完的な探索戦略を提供し、LVK観測ラン全体の発見能力を高めるものであると結論付けている。GW190929 091722を潜在的なIMBH候補として特定したことは、さらなる検証（例：専用のIMBH探索）が必要であるとしても、極端な質量領域を探索する上での本パイプラインの有用性を浮き彫りにしている。