Machine Learning based Glitch Veto for inspiral binary merger signals using Linear Chirp Transform

Technische Samenvatting: Machine Learning-gebaseerde Glitch-veto voor Inspiral Binary Merger Signalen met behulp van de Lineaire Chirp Transform

Probleemstelling
Transiënte niet-Gaussische ruisartefacten, bekend als "glitches", vormen een aanzienlijke uitdaging voor de detectie van zwaartekrachtgolven (GW). Deze artefacten kunnen compacte binaire coalescentie (CBC) signalen nabootsen, wat leidt tot verhoogde fout-alarm-percentages in detectiepipelines. Hoewel matched filtering de standaardtechniek is voor het identificeren van inspiral-merger signalen, bezitten bepaalde glitches kenmerken die dicht genoeg bij merger-golfvormen liggen om initiële veto-mechanismen te omzeilen. Bestaande veto-methoden, zoals de traditionele Chi-kwadraat-test of methoden gebaseerd op onfysische waveform-templates, kampen met beperkingen wat betreft de diversiteit van glitch-klassen (ongeveer 22 verschillende typen) en de afhankelijkheid van vooraf gedefinieerde parameterruimten die mogelijk niet het volledige bereik van geobserveerde anomalieën kunnen vangen. Er is een kritieke behoefte aan robuuste discriminatietechnieken die accuraat onderscheid kunnen maken tussen astrofysische signalen en instrumentele ruis om de betrouwbaarheid van GW-observaties te waarborgen.

Methodologie
De auteurs stellen een hybride deep learning-framework voor dat geavanceerde signaalverwerking combineert met neurale netwerkclassificatie. De methodologie verloopt via de volgende fasen:

1. Kenmerkextractie via de Lineaire Chirp Transform (LCT):
   In tegenstelling tot conventionele Fourier-transformaties die tijd en frequentie analyseren, maken de auteurs gebruik van de Joint Chirp Rate Time Frequency Transform (JCTFT), een generalisatie die een lineaire chirp-rate parameter ($\gamma$) incorporeert. Dit transformeert de 1D-strain tijdreeks naar een driedimensionaal "chirp-volume" spectrogram dat de dimensies tijd, frequentie en chirp-rate beslaat. Deze aanpak wordt gemotiveerd door de aard van inspiral-signalen, waarbij de frequentie snel evolueert (chirpt) terwijl objecten samensmelten. De LCT legt deze frequentie-evolutie effectiever vast dan standaard tijd-frequentie-representaties, met name voor signalen met een lage signaal-ruisverhouding (SNR).

2. Datapreparatie:
   De dataset bestaat uit bevestigde CBC-events en glitch-samples uit de LIGO O1–O4 observatie-runs (Hanford en Livingston detectoren).

• Glitches: 708 instanties afkomstig van GWOSC, afgeknipt in vensters van 6 seconden gecentreerd op de aankomsttijd (TOA).
• Merger Signalen: 215 bevestigde events (430 instanties inclusief beide detectoren), eveneens 6 seconden duur.
• Preprocessing: De ruwe LCT-output genereert grote 3D-arrays (ongeveer 1,2 GB per signaal). Om dit hanteerbaar te maken voor deep learning, hebben de auteurs de 61 chirp-rate slices (oorspronkelijk $471 \times 6000$ per stuk) gedownsampled naar $64 \times 128$ met behulp van lineaire interpolatie. Dit reduceert de opslagvereiste naar ~1,9 MB per signaal, terwijl de dominante spectro-temporele morfologie behouden blijft. De data is genormaliseerd naar het bereik $[0, 1]$.

3. Classificatie Architectuur:
   Er wordt een hybride Convolutional Neural Network (CNN) en Gated Recurrent Unit (GRU) architectuur met een attention-mechanisme ingezet:

• CNN-lagen: Drie blokken van convolutionele lagen (met respectievelijk 32, 64 en 128 filters) extraheren lokale spectro-temporele kenmerken uit elke 2D chirp-rate slice.
• GRU-lagen: Een twee-laagse GRU verwerkt de sequentie van 61 feature vectoren (één per chirp-rate slice), waarbij correlaties en de evolutie van de signaalmorfologie over het chirp-domein worden gemodelleerd.
• Attention Mechanisme: Een attention pooling-laag wijst leerbare gewichten toe aan elke chirp-rate slice, waardoor het netwerk zich kan concentreren op de meest informatieve regio's van het chirp-volume.
• Output: Een fully connected head met een softmax-activatie geeft de waarschijnlijkheid weer of het signaal een merger of een glitch is. Het model wordt getraind met Focal Loss om klassenimbalans en moeilijke voorbeelden aan te pakken.

Belangrijkste Bijdragen

• Toepassing van LCT op Glitch Veto: Het artikel introduceert het gebruik van de Lineaire Chirp Transform als een tool voor kenmerkextractie specifie voor glitch-classificatie, waarmee verder wordt gegaan dan standaard tijd-frequentie-representaties door de chirp-rate dimensie toe te voegen.
• Hybride Deep Learning Framework: De ontwikkeling van een CNN-GRU-Attention architectuur die gelijktijdig lokale spectrogram-structuren en langetermijncorrelaties over het chirp-domein exploiteert.
• Efficiënte Datarepresentatie: Een preprocessing-pipeline die massale 3D chirp-volume datasets (van ~1,2 GB naar ~1,9 MB) reduceert zonder de noodzakelijke discriminerende kenmerken voor classificatie te verliezen.
• Empirische Validatie: De studie toont aan dat chirp-domein representaties zeer discriminerende informatie bieden die superieur is aan traditionele methoden bij het scheiden van merger-signalen van glitches.

Resultaten
Het voorgestelde model werd geëvalueerd op een onafhankelijke validatieset bestaande uit 308 signalen (20% van de totale dataset).

• Prestaties: Het model behaalde een beste validatie-accuratesse van 95,45%. Na optimalisatie van de drempelwaarde (optimale drempel 0,44) bereikte de algehele classificatie-accuratesse ongeveer 96%.
• Metrieken: Zowel de merger- als de glitch-klasse behaalden vergelijkbare precisie- en recall-waarden van ongeveer 95–96%. De macro-gemiddelde F1-score was ongeveer 0,96.
• Foutanalyse: Van de 308 validatiesamples werden er slechts 13 foutief geclassificeerd (6 glitches en 7 mergers), wat wijst op een gebalanceerde prestatie zonder significante bias naar een specifieke klasse.
• Efficiëntie: Het getrainde model classificeert een signaal in ongeveer 30 ms op standaard hardware, terwijl de chirp-transformatie en preprocessing ongeveer 32,7 seconden in beslag nemen.

Betekenis en Claims
De auteurs stellen dat dit werk het potentieel aantoont om de combinatie van chirp-gebaseerde signaalverwerking met deep learning in te zetten om de glitch-mitigatie in huidige en toekomstige GW-observatoria te verbeteren. De studie suggereert dat de chirp-volume representatie zeer discriminerende informatie bevat die de scheiding van merger-signalen en glitches mogelijk maakt, zelfs wanneer glitches merger-golfvormen nabootsen.

Het artikel positioneert deze methode als een complementaire veto-techniek die na de matched filtering-fase kan worden toegepast om kandidaat-events te valideren. Hoewel het model is getraind op LIGO-data, suggereren de auteurs dat de onderliggende logica van signaalscheiding in het chirp-domein toepasbaar kan zijn op toekomstige detectoren (bijv. Einstein Telescope, Cosmic Explorer, LISA) en andere domeinen van signaalverwerking met variërende frequentieprofielen (bijv. RADAR). De auteurs blijven bescheiden over toekomstige uitbreidingen en merken op dat het afleiden van exacte analytische oplossingen voor hogere-orde of fractionele chirp-termen een complexe taak is, maar dit de signaalverwerkingscapaciteiten verder zou kunnen verbeteren. Het werk wordt gepresenteerd als een stap naar het elimineren van fout-alarmen en het verbeteren van de nauwkeurigheid van zwaartekrachtgolf-detectiepipelines.