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

Technische Samenvatting: Ongesuperviseerde Morfologische Karakterisering van Gravitationele-Golf Glitches in LIGO O4a met Bevroren DINOv2-kenmerken

Probleemstelling
Grondgebaseerde gravitationele-golf (GW)-detectoren, zoals Advanced LIGO, zijn vatbaar voor niet-Gaussische transiente ruisartefacten die "glitches" worden genoemd. Deze artefacten kunnen astrofysische signalen nabootsen, de detectiegevoeligheid verminderen en parameterschatting bemoeilijken. Hoewel het Gravity Spy-project een standaard heeft vastgesteld voor glitch-classificatie met behulp van gesuperviseerd machine learning en burgerwetenschap, zijn deze benaderingen inherent beperkt tot het herkennen van morfologieën waarvoor ze expliciet zijn getraind. Ze kunnen eerder ongekarakteriseerde glitchtypen niet identificeren. De centrale vraag die in dit werk wordt behandeld, is of de LIGO O4a-observatieronde glitchmorfologieën introduceerde die niet aanwezig waren in eerdere rondes, specifiek die welke onzichtbaar zouden zijn voor gesuperviseerde classifiers die op historische data zijn getraind.

Context
De noodzaak voor schaalbare, ongesuperviseerde karakteriseringstools wordt onderstreept door de toenemende datahoeveelheid in de GW-wetenschap. In mei 2026 publiceerde de LIGO-Virgo-KAGRA Collaboration de GWTC-5.0-catalogus, waarin 161 nieuwe gravitationele-golfgebeurtenissen werden gemeld. Deze groeiende dataset benadrukt het belang van methoden die efficiënt kunnen omgaan met grote hoeveelheden data zonder afhankelijk te zijn van handmatige labels, zoals de in dit werk gepresenteerde aanpak.

Methodologie
De auteurs presenteren gravi-signal-ml, een volledig ongesuperviseerde, zero-shot-pijplijn ontworpen om instrumentale ruistransiënten te karakteriseren zonder gelabelde trainingsdata, domeinspecifieke fine-tuning of GPU-versnelling. De methodologie verloopt als volgt:

1. Data-voorverwerking: De pijplijn analyseert 1.277 uur openbare rekdata van de Hanford (H1)- en Livingston (L1)-detectoren over vier onafhankelijke tijdsvensters in 2023. Ruwe data wordt opgedeeld in 32-seconden stukken, ge whitened, bandpass-gefilterd (20–2000 Hz) en omgezet in 256×256 pixel Q-transform spectrogrammen met behulp van de cividis-kleurkaart om perceptuele uniformiteit onder grijswaardeconversie te waarborgen.
2. Kenmerkextractie: Spectrogrammen worden gecodeerd met een bevroren DINOv2 Vision Transformer (ViT-S/14 met register-tokens) die vooraf is getraind op natuurlijke afbeeldingen. Het model wordt gebruikt in evaluatiemodus zonder fine-tuning. De CLS-token-uitvoer wordt geëxtraheerd als een 384-dimensionale embedding en L2-genormaliseerd. Het gebruik van register-tokens is bedoeld om artefacten te onderdrukken die vaak voorkomen bij het verwerken van niet-natuurlijke afbeeldingen.
3. Dimensionaliteitsreductie: Embeddings worden geprojecteerd van 384 naar 50 dimensies via Principal Component Analysis (PCA), waarbij >98% van de variantie behouden blijft. Een daaropvolgende Uniform Manifold Approximation and Projection (UMAP) reduceert de data tot 10 dimensies voor clustering, waarbij een cosinus-metriek wordt gebruikt om rekening te houden met de eenheids-hypersfeergeometrie van de embeddings.
4. Clustering: Een Dirichlet Process Mixture Model (DPMM) wordt ingezet om automatisch het aantal morfologische groepen te bepalen. In tegenstelling tot op dichtheid gebaseerde methoden (zoals HDBSCAN) vermijdt DPMM gevoeligheid voor de minimale clustergrootte door overbodige componenten een verwaarloosbaar gewicht toe te kennen.
5. Validatie en Cross-check:
   • Morfologische Cross-check: Anomale clusters (die met lage log-likelihood-scores) worden vergeleken met een domein-specifiek referentie-index opgebouwd uit het gelabelde Gravity Spy O3b-dataset, verwerkt via exact dezelfde pijplijn om domeinkloven uit te sluiten. Steekproeven worden geclassificeerd als Bekend, Dubbelzinnig of Nieuw op basis van cosinus-ähnelijkheidsdrempels.
   • Robuustheidstests: De pijplijn ondergaat ablatiestudies (grijswaardeconversie, pixelinversie, intensiteitsschaling), stabiliteitsanalyses (hyperparameterperturbatie) en time-slide achtergrondtests om statistisch significante coincidenties tussen H1 en L1 uit te sluiten.

Belangrijkste Bijdragen

1. Zero-shot-pijplijn: De eerste toepassing van bevroren DINOv2-kenmerken op GW-glitchmorfologische karakterisering, zonder gelabelde data of GPU-bronnen.
2. Systematische Validatie: Een meerlaags validatiekader dat consistent is toegepast over vier onafhankelijke O4a-vensters, inclusief ablatie, stabiliteit en time-slide-achtergrondschatting.
3. Reproduceerbare Baseline: De levering van een volledig gedocumenteerde, open-source pijplijn en resultaten voor zero-shot glitchkarakterisering.
4. Empirische Observatie: De identificatie van een systematisch verschil in kenmerkrobustheid tussen de H1- en L1-detectoren.

Resultaten
De pijplijn verwerkte meer dan 188.000 spectrogrammen over de vier sessies. De resultaten leverden een nultestresultaat op wat betreft nieuwe morfologieën:

• Geen Nieuwe Glitches: Er werden geen morfologisch nieuwe glitchkandidaten geïdentificeerd. Alle anomale clusters kwamen overeen met bekende Gravity Spy-klassen met een gemiddelde top-1 cosinus-ähnelijkheid groter dan 0,98.
• Clusterstabiliteit: De DPMM identificeerde 10–16 morfologische groepen per detector per sessie. Stabiliteitsanalyses bevestigden reproduceerbaarheid, met gemiddelde Adjusted Rand Index (ARI)-waarden boven de 0,83 over verstoord uitgevoerde runs.
• Detectorasymmetrie: Een opmerkelijke asymmetrie werd waargenomen in de robuustheid van de embeddings tegenover grijswaardeconversie. L1-embeddings toonden hoge robuustheid (grijswaarde ARI > 0,90 in de meeste sessies), terwijl H1-embeddings lagere en meer variabele robuustheid vertoonden (grijswaarde ARI variërend van 0,62 tot 0,90). Dit suggereert een structureel verschil in het H1-ruismanifold onder DINOv2-kenmerkextractie, mogelijk gekoppeld aan bekende non-stationariteit in de H1-ruisvloer.
• Uitsluiting Achtergrond: Time-slide-tests toonden geen statistisch significante H1–L1-coincidenties (p ≥ 0,1), waardoor gecorreleerde instrumentale artefacten als oorzaak voor de waargenomen populaties worden uitgesloten.
• Benchmarking: Bij benchmarking tegen de Gravity Spy-referentie behaalde de DPMM een ARI van 0,133. De auteurs merken op dat deze gematigde score de fundamentele divergentie weerspiegelt tussen door mensen gedefinieerde morfologische conventies en intrinsieke visuele gelijkenis in de embedding-ruimte, en niet een falen van de methode.

Betekenis en Claims
Het artikel claimt dat het nultestresultaat wetenschappelijk betekenisvol is. Het stelt vast dat, bij de gevoeligheid en temporele resolutie van deze specifieke pijplijn (32-seconden vensters, ViT-S/14-ruggegraat), de O4a-glitchpopulatie in de geanalyseerde vensters morfologisch consistent is met de Gravity Spy O3b-catalogus. Dit sluit aan bij eerdere bevindingen dat O4a verhoogde rates van bekende glitchklassen (zoals Low Frequency Lines, 1400Ripples) vertoonde in plaats van fundamenteel nieuwe morfologieën.

De auteurs verduidelijken bescheiden dat dit resultaat niet bewijst dat nieuwe glitches niet bestaan in O4a; eerder beperkt het hun prevalentie tot onder de detectiedrempel van deze aanpak. Erkende beperkingen zijn het vaste 32-seconden venster (dat sub-seconden transiënten kan missen), het gebruik van een kleinere ViT-ruggegraat, en het feit dat de geanalyseerde vensters slechts ongeveer 5% van het volledige O4a-dataset bestrijken. Het werk dient als reproduceerbare baseline voor toekomstige zero-shot-karakteriseringsinspanningen.

Code & Data Availability
De volledige open-source pijplijn 'gravi-signal-ml' is beschikbaar op GitHub via https://github.com/lucacirfeta/dante-gravi-signal-ml. Voor reproduceerbaarheid is een gearchiveerde release beschikbaar via DOI 10.5281/zenodo.20121860. Alle gebruikte data en resultaten zijn publiek toegankelijk.