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

기술 요약: 아인슈타인 망원경의 뉴턴 노이즈 완화를 위한 신경망

문제 정의
지하 중력파 검출기의 테스트 질량에 작용하는 지진 밀도 변동 및 지표 변위의 중력 결합으로 발생하는 뉴턴 노이즈(Newtonian noise, NN)는 15Hz 미만 주파수 대역에서 아인슈타인 망원경(Einstein Telescope, ET)의 지배적인 노이즈원이 될 것으로 예상된다. 이를 완화하기 위해 주변 지진계 배열로부터 측정된 데이터를 사용하여 테스트 질량에서의 NN을 예측하는 방안이 제안되었다. Wiener 필터(WF)가 이 예측 작업의 표준 벤치마크로 사용되어 왔으나, 이는 과도 현상(transient)이나 비정상(non-stationary) 이벤트 발생 시 성립하지 않을 수 있는 정상성(stationarity) 가정에 의존한다. 본 논문은 딥러닝 아키텍처, 특히 합성곱 신경망(CNN)과 그래프 신경망(GNN)이 특히 비정상 시나리오에서 Wiener 필터보다 NN을 더 잘 예측하고 완화할 수 있는지 조사한다.

방법론
저자들은 훈련 및 평가를 위한 합성 데이터셋을 생성하기 위해 시뮬레이션 프레임워크를 개발하였다.

• 시뮬레이션 물리: 시뮬레이션은 균질한 매질 내의 밀도 변동($\delta\rho$)을 단색 평면파 및 가우시안 파동 묶음(Gaussian wave packets)으로 모델링한다. 이러한 변동은 지표 변위장($\vec{\xi}$)과 그 결과로 발생하는 거울에 대한 뉴턴 힘을 생성한다. 시뮬레이션은 P파(종파, 벌크 밀도 변동 유발)와 S파(횡파, 계면 변위 유발)를 모두 고려한다.
• 데이터 생성: 데이터셋은 $N_S$개의 지진계로부터 얻은 3차원 변위 시계열과 단일 거울에 작용하는 타겟 NN 힘을 포함한다. 세 가지 별도의 데이터 시나리오가 생성되었다:
  1. 정상 상태(Stationary Case): 무작위로 샘플링된 10개의 평면파 합산.
  2. 지배적 평면파(Dominant Plane Waves): 단일 평면파 이벤트.
  3. 지배적 파동 묶음(Dominant Wave Packets): 단일 가우시안 파동 묶음 이벤트(과도 현상).
• 벤치마크: 지진계 데이터와 타겟 신호의 교차 전력 스펙트럼 밀도(CPSD)를 기반으로 훈련된 Wiener 필터를 구현하였다.
• 신경망 아키텍처:
  • CNN: 별도의 공간 및 시간 커널을 사용하는 시공간 합성곱을 활용하였다. 정규 지진계 그리드(예: 입방체 또는 직육면체 배치)에 적합하도록 설계되었다.
  • GNN: 불규칙한 지진계 그리드를 처리하기 위해 그래프 어텐션 레이어(GAT)를 활용하였다. 네트워크는 센서 간 역거리를 나타내는 인접 행렬을 입력받아, 최적화된 비균일 센서 배치를 허용한다.
• 훈련: 모델은 예측된 NN 힘과 실제 힘 사이의 평균 절대 오차를 최소화하도록 훈련되었다. 지진계 노이즈(SNR=15인 백색 잡음)가 입력 데이터에 추가되었다.

주요 결과
성능은 잔차 비율($\sqrt{r_{ind}}$)과 진폭 스펙트럼 밀도(ASD) 감소 계수를 사용하여 평가되었다.

1. 정상 파동장(Stationary Wave Fields):

   • 거의 정상적인 파동장(중첩된 평면파)의 경우, CNN과 WF는 유사한 성능을 보였다.
   • 두 방법 모두 10에서 20 사이의 노이즈 억제 계수를 달ach했다.
   • CNN이 WF보다 약간 더 나은 성능을 보였으나(잔차가 1.1~1.4배 낮음), 그 차이는 미미했다.

2. 비정상/지배적 이벤트 (평면파 및 파동 묶음):

   • 단일 이벤트에 의해 지배되는 시나리오(비정상)에서 신경망은 Wiener 필터보다 성능이 크게 향상되었다.
   • 평면파: CNN은 WF 대비 최대 40배까지 잔차를 줄였다. WF는 약 2의 억제 계수만을 달성한 반면, CNN은 10–40의 계수에 도달했다.
   • 가우시안 파동 묶음: 성능 격차가 더 벌어졌다. CNN은 10–30의 억제 계수(저주파에서 최대 30배)를 달성한 반면, WF는 겨우 1.6을 초과했다.
   • WF 대비 CNN의 잔차 비율은 이벤트 강도와 주파수에 따라 15에서 80 사이였으며, CNN은 잔차를 한 자릿수 또는 낮은 두 자릿수 퍼센트 범위로 유지한 반면, WF 잔차는 저RMS 이벤트에서 종종 100%를 초과(증폭)했다.

3. 배열 구성 및 아키텍처:

   • 배열 크기: 배열을 8개에서 32개로 늘리면 두 방법 모두 성능이 향상되었다. 그러나 WF가 데이터 밀도 증가에 따른 이득을 더 많이 본 반면, CNN은 더 작은 배열에서도 정보를 효율적으로 추출할 수 있음을 보여주어 CNN이 상대적으로 더 효율적임을 시사했다.
   • 정규 vs 불규칙 그리드: GNN은 NN 완화에 최적화된 불규칙 그리드에서 테스트되었다. GNN은 정규 그리드에서의 CNN보다 약간 낮은 성능을 보였으나(학습 가능한 파라미터 수가 적기 때문으로 추정), 불규칙 그리드에서의 WF보다는 여전히 성능이 월등히 높았다.
   • 최적화: GNN을 사용한 최적화된 불규칙 그리드는 표준 정규 그리드보다 우수한 성능을 보였으며, WF의 ~1.5 대비 9–16의 억제 계수를 달성했다.

의의 및 주장
본 논문은 신경망이 특히 뉴턴 노이즈가 비정상적일 때 Wiener 필터의 유효하고 종종 더 우월한 대안이 될 수 있음을 주장한다.

• 성능: 저자들은 과도 현상이나 지배적인 노이즈원의 경우, 신경망이 NN 진폭을 10–30배까지 억제할 수 있으며, 이는 Wiener 필터보다 15–80배 더 뛰어난 성능이다.
• 유연성: 연구는 GNN이 정규 그리드보다 이론적으로 NN 완화에 더 효과적이지만 일반적인 CNN으로는 처리하기 어려운 최적화된 불규칙 지진계 배열을 다루는 데 유용함을 강조한다.
• 실질적 함의: 신경망이 더 작은 배열에서도 잘 작동할 수 있다는 능력은 필요한 시추공의 수를 줄여 검출기 건설 비용을 낮출 수 있는 가능성을 시사한다.
• 한계 및 향후 과제: 저자들은 현재의 GNN이 CNN에 비해 학습 가능한 파라미터 수가 적다는 점을 언급하며, 이것이 성능 격차의 원인일 수 있다고 조심스럽게 밝혔다. 향후 연구로는 더 현실적인 지질 모델(층상 매질, 표면파, 모드 변환)을 포함하고, 적응형 Wiener 필터와 비교하는 작업이 제안되었다. 본 연구는 단순화된 균질 매질을 기반으로 한 합성 데이터에 근거하고 있으므로, 실제 지하 데이터로의 검증이 필수적인 다음 단계로 식별되었다.