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

Resumo Técnico: Caracterização Morfológica Não Supervisionada de Glitches de Ondas Gravitacionais no LIGO O4a Usando Recursos DINOv2 Congelados

Declaração do Problema
Detectores de ondas gravitacionais (OG) baseados em terra, como o Advanced LIGO, são suscetíveis a artefatos de ruído transitório não gaussiano conhecidos como "glitches". Esses artefatos podem mimetizar sinais astrofísicos, reduzir a sensibilidade do detector e complicar a estimativa de parâmetros. Embora o projeto Gravity Spy tenha estabelecido um padrão para classificação de glitches usando aprendizado de máquina supervisionado e ciência cidadã, essas abordagens são inerentemente limitadas ao reconhecimento de morfologias para as quais foram explicitamente treinadas. Elas não conseguem identificar tipos de glitches previamente não caracterizados. A questão central abordada neste trabalho é se a campanha de observação O4a do LIGO introduziu morfologias de glitches não presentes em campanhas anteriores, especificamente aquelas que seriam invisíveis para classificadores supervisionados treinados em dados históricos.

Metodologia
Os autores apresentam o gravi-signal-ml, um pipeline totalmente não supervisionado e zero-shot projetado para caracterizar transientes de ruído instrumental sem dados de treinamento rotulados, ajuste fino específico de domínio ou aceleração por GPU. A metodologia procede da seguinte forma:

1. Pré-processamento de Dados: O pipeline analisa 1.277 horas de dados de deformação públicos dos detectores Hanford (H1) e Livingston (L1) em quatro janelas temporais independentes em 2023. Os dados brutos são segmentados em blocos de 32 segundos, branqueados, filtrados em banda (20–2000 Hz) e convertidos em espectrogramas Q-transform de 256×256 pixels usando a colormap cividis para garantir uniformidade perceptual sob conversão para escala de cinza.
2. Extração de Recursos: Os espectrogramas são codificados usando um Vision Transformer DINOv2 congelado (ViT-S/14 com tokens de registro) pré-treinado em imagens naturais. O modelo é usado no modo de avaliação sem ajuste fino. A saída do token CLS é extraída como um embedding de 384 dimensões e normalizada em L2. O uso de tokens de registro visa suprimir artefatos comuns ao processar imagens não naturais.
3. Redução de Dimensionalidade: Os embeddings são projetados de 384 para 50 dimensões via Análise de Componentes Principais (PCA), retendo >98% da variância. Uma subsequente Aproximação e Projeção de Variedade Uniforme (UMAP) reduz os dados para 10 dimensões para agrupamento, usando uma métrica de cosseno para levar em conta a geometria do hiperespaço unitário dos embeddings.
4. Agrupamento: Um Modelo de Mistura de Processo Dirichlet (DPMM) é empregado para determinar automaticamente o número de grupos morfológicos. Diferentemente de métodos baseados em densidade (por exemplo, HDBSCAN), o DPMM evita sensibilidade ao tamanho mínimo do cluster ao atribuir peso negligenciável a componentes supérfluos.
5. Validação e Verificação Cruzada:
   • Verificação Cruzada Morfológica: Clusters anômalos (aqueles com baixas pontuações de verossimilhança logarítmica) são comparados contra um índice de referência intra-domínio construído a partir do conjunto de dados rotulado Gravity Spy O3b, processado através do mesmo pipeline exato para eliminar lacunas de domínio. As amostras são classificadas como Conhecidas, Ambíguas ou Novas com base em limiares de similaridade de cosseno.
   • Testes de Robustez: O pipeline passa por estudos de ablação (conversão para escala de cinza, inversão de pixels, escalonamento de intensidade), análise de estabilidade (perturbação de hiperparâmetros) e testes de fundo de deslizamento temporal para descartar coincidências estatisticamente significativas entre H1 e L1.

Principais Contribuições

1. Pipeline Zero-Shot: A primeira aplicação de recursos DINOv2 congelados para caracterização morfológica de glitches de OG, não exigindo dados rotulados ou recursos de GPU.
2. Validação Sistemática: Um framework de validação multicamada aplicado consistentemente em quatro janelas O4a independentes, incluindo estimativa de ablação, estabilidade e fundo de deslizamento temporal.
3. Base Reprodutível: A provisão de um pipeline de código aberto totalmente documentado e resultados para caracterização zero-shot de glitches.
4. Observação Empírica: A identificação de uma diferença sistemática na robustez de recursos entre os detectores H1 e L1.

Resultados
O pipeline processou mais de 188.000 espectrogramas nas quatro sessões. Os resultados produziram um resultado nulo em relação a morfologias novas:

• Sem Glitches Novos: Nenhum candidato de glitch morfologicamente novo foi identificado. Todos os clusters anômalos mapearam para classes conhecidas do Gravity Spy com uma similaridade média de top-1 de cosseno superior a 0,98.
• Estabilidade do Cluster: O DPMM identificou 10–16 grupos morfológicos por detector por sessão. A análise de estabilidade confirmou a reprodutibilidade, com valores médios do Índice de Rand Ajustado (ARI) excedendo 0,83 em execuções perturbadas.
• Assimetria do Detector: Uma assimetria notável foi observada na robustez dos embeddings à conversão para escala de cinza. Os embeddings do L1 mostraram alta robustez (ARI de escala de cinza > 0,90 na maioria das sessões), enquanto os embeddings do H1 exibiram robustez menor e mais variável (ARI de escala de cinza variando de 0,62 a 0,90). Isso sugere uma diferença estrutural no manifold de ruído do H1 sob extração de recursos DINOv2, potencialmente ligada a não estacionariedade conhecida no piso de ruído do H1.
• Exclusão de Fundo: Testes de deslizamento temporal não mostraram coincidências H1–L1 estatisticamente significativas (p ≥ 0,1), excluindo artefatos instrumentais correlacionados como a causa para as populações observadas.
• Benchmarking: Quando comparado à referência Gravity Spy, o DPMM alcançou um ARI de 0,133. Os autores observam que essa pontuação moderada reflete a divergência fundamental entre convenções morfológicas definidas por humanos e similaridade visual intrínseca no espaço de embeddings, e não uma falha do método.

Significado e Alegações
O artigo alega que seu resultado nulo é cientificamente significativo. Estabelece que, na sensibilidade e resolução temporal deste pipeline específico (janelas de 32 segundos, backbone ViT-S/14), a população de glitches O4a nas janelas analisadas é morfologicamente consistente com o catálogo Gravity Spy O3b. Isso alinha-se com descobertas anteriores de que o O4a apresentou taxas elevadas de classes de glitches conhecidas (por exemplo, Linhas de Baixa Frequência, 1400Ripples) em vez de morfologias fundamentalmente novas.

O trabalho ganha relevância no contexto do crescente volume de dados de OG; em maio de 2026, a Colaboração LIGO-Virgo-KAGRA lançou o catálogo GWTC-5.0, reportando 161 novos eventos de ondas gravitacionais, o que reforça a necessidade urgente de ferramentas escaláveis e não supervisionadas para caracterização de glitches, como a apresentada aqui. É importante notar que a análise deste estudo restringe-se aos dados O4a e não utiliza o catálogo GWTC-5.0.

Os autores esclarecem modestamente que este resultado não prova que glitches novos não existam no O4a; ao contrário, restringe sua prevalência abaixo do limiar de detecção desta abordagem. Limitações reconhecidas incluem a janela fixa de 32 segundos (que pode perder transientes subsegundos), o uso de um backbone ViT menor e o fato de que as janelas analisadas cobrem apenas ~5% do conjunto de dados completo do O4a. O trabalho serve como uma base reprodutível para futuros esforços de caracterização zero-shot, com o pipeline e todos os dados publicamente disponíveis.

Disponibilidade de Código e Dados
O pipeline de código aberto gravi-signal-ml está disponível no repositório GitHub em https://github.com/lucacirfeta/dante-gravi-signal-ml. Uma versão arquivada e citável do software e dos dados de resultados pode ser acessada via DOI: 10.5281/zenodo.20121860.