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

技術的概要：Frozen DINOv2 特徴量を用いた LIGO O4a における重力波グリーチの教師なし形態学的特徴付け

問題定義
Advanced LIGO などの地上型重力波（GW）検出器は、「グリーチ」と呼ばれる非ガウス性の過渡ノイズアーティファクトの影響を受けやすい。これらのアーティファクトは天体物理学的信号を模倣し、検出器の感度を低下させ、パラメータ推定を複雑にする。Gravity Spy プロジェクトは、教師あり機械学習と市民科学を用いたグリーチ分類の基準を確立してきたが、これらのアプローチは本質的に明示的に訓練された形態しか認識できず、未特徴化されたグリーチの種類を特定することはできない。本研究で扱われる中心的な問いは、LIGO の O4a 観測ランが、過去のデータで訓練された教師あり分類器には見えない、以前のランには存在しなかったグリーチ形態を導入したかどうかである。

手法
著者らは、ラベル付き訓練データ、ドメイン固有の微調整、または GPU 加速を必要としない、完全に教師なしのゼロショットパイプライン「gravi-signal-ml」を提示する。この手法は以下の通り進行する。

1. データ前処理: パイプラインは、2023 年の 4 つの独立した時間ウィンドウにわたるハanford（H1）および Livingston（L1）検出器からの 1,277 時間の公開ひずみデータを分析する。生データは 32 秒のチャンクに分割され、ホワイトニング処理され、バンドパスフィルタリング（20–2000 Hz）され、グレースケール変換下での知覚的均一性を保証するために cividis カラーマップを使用して 256×256 ピクセルの Q 変換スペクトログラムに変換される。
2. 特徴量抽出: スペクトログラムは、自然画像で事前学習された Frozen DINOv2 Vision Transformer（register トークンを備えた ViT-S/14）を用いて符号化される。モデルは微調整なしの評価モードで使用される。CLS トークンの出力は 384 次元の埋め込みとして抽出され、L2 正規化される。register トークンの使用は、非自然画像を処理する際に一般的に生じるアーティファクトを抑制することを意図している。
3. 次元削減: 埋め込みは主成分分析（PCA）により 384 次元から 50 次元に投影され、分散の 98% 以上を保持する。その後、Uniform Manifold Approximation and Projection（UMAP）が、埋め込みの単位超球幾何学を考慮したコサイン距離を用いて、データをクラスタリングのために 10 次元に削減する。
4. クラスタリング: 形態グループの数を自動的に決定するために ディリクレ過程混合モデル（DPMM） が採用される。密度ベースの手法（HDBSCAN など）とは異なり、DPMM は不要なコンポーネントに無視できる重みを割り当てることで、最小クラスタサイズへの感度を回避する。
5. 検証とクロスチェック:
   • 形態的クロスチェック: 異常なクラスター（対数尤度スコアが低いもの）は、ドメインギャップを排除するために正確に同じパイプラインで処理された Gravity Spy O3b ラベル付きデータセットから構築されたドメイン内参照インデックスと比較される。サンプルはコサイン類似度のしきい値に基づいて「既知」「曖昧」「新規」に分類される。
   • 頑健性テスト: パイプラインは、アブレーション研究（グレースケール変換、ピクセル反転、強度スケーリング）、安定性分析（ハイパーパラメータの摂動）、および H1 と L1 間の統計的に有意な一致を除外するためのタイムスライド背景テストを受ける。

主要な貢献

1. ゼロショットパイプライン: ラベル付きデータや GPU リソースを必要としない、Frozen DINOv2 特徴量を GW グリーチ形態特徴付けに適用した初の事例。
2. 体系的な検証: アブレーション、安定性、タイムスライド背景推定を含む、4 つの独立した O4a ウィンドウに一貫して適用された多層検証フレームワーク。
3. 再現可能なベースライン: ゼロショットグリーチ特徴付けのための完全に文書化されたオープンソースパイプラインと結果の提供。
4. 経験的観察: H1 と L1 検出器間の、特徴量の頑健性における体系的な差異の特定。

結果
パイプラインは 4 つのセッション全体で 188,000 以上のスペクトログラムを処理した。結果は、新規形態に関する**否定的な結果（null result）**をもたらした。

• 新規グリーチの不在: 形態的に新規のグリーチ候補は特定されなかった。すべての異常クラスターは、平均トップ 1 コサイン類似度が 0.98 を超える既知の Gravity Spy クラスにマッピングされた。
• クラスターの安定性: DPMM は、セッションごとに検出器あたり 10〜16 の形態グループを特定した。安定性分析は再現性を確認し、摂動された実行全体で平均調整ランダム指数（ARI）値が 0.83 を超えた。
• 検出器の非対称性: グレースケール変換に対する埋め込みの頑健性において顕著な非対称性が観察された。L1 埋め込みは高い頑健性を示し（ほとんどのセッションでグレースケール ARI > 0.90）、H1 埋め込みは低く変動の大きい頑健性を示した（グレースケール ARI は 0.62 から 0.90 の範囲）。これは、DINOv2 特徴量抽出における H1 ノイズ多様体の構造的な違いを示唆しており、H1 ノイズフロアで既知の非定常性と関連している可能性がある。
• 背景の除外: タイムスライドテストは、H1–L1 間の統計的に有意な一致を示さなかった（p ≥ 0.1）、観測された集団の原因として相関する機器アーティファクトを除外した。
• ベンチマーク: Gravity Spy 参照に対してベンチマークされた際、DPMM は ARI 0.133 を達成した。著者らは、この中程度のスコアは、手法の失敗ではなく、人間が定義した形態的慣習と埋め込み空間内の内在的な視覚的類似性との間の根本的な乖離を反映していると指摘している。

意義と主張
本論文は、その否定的な結果が科学的に意味があることを主張する。この特定のパイプライン（32 秒ウィンドウ、ViT-S/14 バックボーン）の感度と時間分解能において、分析されたウィンドウ内の O4a グリーチ集団は、Gravity Spy O3b カタログと形態的に整合していることを確立する。これは、O4a が根本的に新しい形態ではなく、既知のグリーチクラス（例：Low Frequency Lines、1400Ripples）の発生率の上昇を示したという以前の発見と一致する。

著者らは控えめに、この結果が O4a に新規グリーチが存在しないことを証明するものではなく、むしろその prevalence をこのアプローチの検出閾値以下に制限するものであると明確にしている。認められた限界には、サブ秒の過渡現象を見逃す可能性のある固定された 32 秒ウィンドウ、より小さな ViT バックボーンの使用、および分析されたウィンドウが完全な O4a データセットの約 5% しかカバーしていないという事実が含まれる。この研究は、パイプラインとすべてのデータが公開されているため、将来のゼロショット特徴付け努力のための再現可能なベースラインとして機能する。

コードとデータの入手可能性
本研究で使用されたオープンソースパイプライン「gravi-signal-ml」は、GitHub（https://github.com/lucacirfeta/dante-gravi-signal-ml）で公開されており、Zenodo でのアーカイブ版（DOI: 10.5281/zenodo.20121860）を通じて永続的にアクセス可能です。

文脈的注記
本研究は、2026 年 5 月に LIGO-Virgo-KAGRA 協力団が発表した GWTC-5.0 カタログ（161 の新しい重力波イベントを報告）の発表と時を同じくして、データ量の増大に伴い、スケーラブルな教師なしグリーチ特徴付けツールの必要性が高まっているという外部的文脈の中で位置づけられます。ただし、本論文の分析対象は O4a 観測データであり、GWTC-5.0 のデータは含まれていません。