Towards an anomaly detection pipeline for gravitational waves at the Einstein Telescope

Probleemstelling

De huidige detectie van zwaartekrachtgolven (GW) door de LIGO-Virgo-KAGRA (LVK) samenwerking maakt voornamelijk gebruik van matched filtering, waarbij data wordt vergeleken met voorgecomputeerde golfvormtemplates. Deze methote heeft echter beperkingen:

1. Rekenkosten en template-bank: De grootte van de template-bank beperkt het aantal mogelijke golfvormen. Mismatches tussen een echte signaal en een template kunnen leiden tot een verlies van signaal-ruisverhouding (SNR), waardoor zwakke signalen gemist kunnen worden.
2. Korte duur signalen: Signalen met een zeer korte duur (≲ 2 seconden), zoals die veroorzaakt door samensmeltingen van compacte objecten die leiden tot de vorming van intermediate-mass black holes (IMBHs) (massa's tussen $10^2$ en $10^5 M_\odot$), zijn moeilijk te onderscheiden van achtergrondruis en instrumentele artefacten.
3. Toekomstige sensiviteit: Derde-generatie detectoren zoals de Einstein Telescope (ET) zullen een enorme toename aan detecties opleveren, wat leidt tot hoge rekenvereisten. Er is behoefte aan model-onafhankelijke methoden die efficiënter zijn en minder afhankelijk van specifieke golfvormaannames.

Methodologie

De auteurs stellen een anomalie-detectie pipeline voor die gebruikmaakt van een diep convolutie-autoencoder (CAE). In plaats van te zoeken naar specifieke signalen, leert het algoritme de structuur van de detectorruis en markeert het afwijkingen als potentiële signalen.

1. Architectuur:

   • Een CAE is getraind op spectrogrammen (tijd-frequentie representaties) van 2-seconden segmenten van ruis.
   • De input zijn grijstinten afbeeldingen van 256 x 31 pixels (frequenties en tijdstappen).
   • De architectuur bestaat uit drie encoder-blokken (convolutie, batch-normalisatie, dropout, max-pooling) en drie symmetrische decoder-blokken.
   • De latent space wordt gereduceerd tot 1024 dimensies.
   • Het doel is het minimaliseren van de MSE (Mean Squared Error) tussen de input en de gereconstrueerde output.

2. Trainingsstrategie:

   • Ongecontroleerd (Unsupervised): Eerst wordt het model getraind uitsluitend op "noise-only" data (ruis zonder signalen). Het model leert hierdoor ruis perfect te reconstrueren. Signalen in de data zullen echter slecht worden gereconstrueerd, wat resulteert in een hoge reconstructiefout (anomalie).
   • Zwak toezicht (Weak Supervision): Om de scheiding tussen ruis en signalen te verbeteren, wordt een secundaire loss-functie geïntroduceerd. Hierbij worden spectrogrammen met ingevoegde GW-signalen gebruikt. Een extra term in de loss-functie (gebaseerd op een ReLU en een hyperparameter $m$) straft het model af als het een signaal-injectie even goed reconstrueert als pure ruis. Dit forceert een grotere verschillen in reconstructiefout tussen ruis en signalen.

3. Data en Injectie:

   • Gebruik gemaakt van de Einstein Telescope Mock Data Challenge (MDC) dataset (ongeveer één maand gesimuleerde data).
   • Focus op BBH (Binary Black Hole) mergers die IMBHs vormen of bevatten, maar ook getest op lagere massa's.
   • Signalen worden willekeurig gepositioneerd binnen het 2-seconden venster om overfitting op tijdsalignering te voorkomen.

4. Drempelwaarden en Foutalarmen:

   • Een drempelwaarde wordt bepaald op basis van de statistische verdeling van de reconstructiefouten van de ruis (gebaseerd op $\mu + n\sigma$).
   • Een drempel van 5$\sigma$ wordt gekozen, wat leidt tot een geschatte False Alarm Rate (FAR) van ongeveer 4,5 gebeurtenissen per jaar voor één detector (bij 100% duty cycle).

Belangrijkste Resultaten

• Detectie-efficiëntie:
  • Het ongecontroleerde model bereikte een initiële detectie-efficiëntie van 23% voor de ingevoegde IMBH-mergers.
  • Na introductie van zwak toezicht steeg de efficiëntie naar 100% voor alle ingevoegde IMBH-mergers, ongeacht hun totale massa of SNR.
• Generalisatie:
  • Het zwak toezicht model toonde uitstekende generalisatie. Het detecteerde niet alleen IMBH's, maar ook mergers die leiden tot zwarte gaten met massa's > 20 $M_\odot$.
  • De efficiëntie bleef rond de 100% voor totale bronmassa's tot wel 50 $M_\odot$.
  • Signalen met een totale massa onder de 20 $M_\odot$ werden zelden gedetecteerd, wat waarschijnlijk te wijten is aan de beperking van het 2-seconden venster (deze signalen zijn te lang of hebben te veel cycli in het gevoelige gebied).
• Foutalarmen:
  • De methode bereikte een zeer lage FAR van ~4,5 per jaar voor een enkele detector bij een 5$\sigma$ drempel.
  • De verdeling van de reconstructiefouten voor ruis volgde grotendeels een Gaussische verdeling, hoewel er een "heavy tail" werd waargenomen bij extreme waarden, wat zorgvuldige modellering vereiste (Generalised Pareto Distribution).

Significantie en Toekomstperspectief

1. Model-onafhankelijkheid: De methode biedt een krachtig alternatief voor matched filtering omdat deze niet afhankelijk is van vooraf gedefinieerde golfvormtemplates. Dit maakt het ideaal voor het vinden van onbekende of moeilijk te modelleren signalen (zoals bursts).
2. Automatisering: De pipeline is een eerste stap naar volledig geautomatiseerde en adaptieve analysepijplijnen voor de Einstein Telescope, wat essentieel is voor de verwerking van de grote datavolumes van toekomstige observatoria.
3. Beperkingen:
   • Het systeem classificeert anomalies niet; het kan onderscheid maken tussen een GW-signaal en een instrumentele "glitch" (ruisartefact) niet maken, aangezien beide afwijken van de geleerde ruisverdeling.
   • Overlappende signalen in de data werden nog niet meegenomen.
4. Toekomstige stappen:
   • Uitbreiding naar een netwerk van meerdere detectoren om statistische fluctuaties en glitches te reduceren.
   • Integratie van een extra module voor classificatie (onderscheid tussen signaal en glitch) en parameter-schatting.
   • Combinatie van meerdere ML-modules in één framework voor een volledig geautomatiseerde detectie- en alert-systeem.

Conclusie:
Het paper demonstreert dat diepe convolutie-autoencoders, versterkt met zwak toezicht, een zeer effectieve en schaalbare methode zijn voor het detecteren van korte, burst-achtige zwaartekrachtgolven in de data van de Einstein Telescope, met name voor zware objecten zoals IMBH's, met een hoge detectie-efficiëntie en een beheersbare false-alarm rate.