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

Resumo Técnico: Redes Neurais para Mitigação de Ruído Newtoniano no Einstein Telescope

Definição do Problema
O ruído newtoniano (NN), decorrente do acoplamento gravitacional de flutuações de densidade sísmica e deslocamentos do solo com as massas de teste de detectores de ondas gravitacionais subterrâneos, é projetado para ser a fonte de ruído dominante para o Einstein Telescope (ET) em frequências abaixo de 15 Hz. Para mitigar isso, propõe-se prever o NN na massa de teste utilizando medições de um arranjo de sismômetros circundantes. Embora os filtros de Wiener (WF) tenham sido o padrão de referência para esta tarefa de previsão, eles dependem de suposições de estacionariedade que podem não se sustentar para eventos sísmicos transientes ou não estacionários. Este artigo investiga se arquiteturas de aprendizado profundo, especificamente Redes Neurais Convolucionais (CNNs) e Redes Neurais em Grafos (GNNs), podem superar os filtros de Wiener na previsão e mitigação de NN, particularmente em cenários não estacionários.

Metodologia
Os autores desenvolveram uma estrutura de simulação para gerar conjuntos de dados sintéticos para treinamento e avaliação.

• Física da Simulação: A simulação modela flutuações de densidade ($\delta\rho$) em um meio homogêneo como ondas planas monocromáticas e pacotes de ondas gaussianos. Essas flutuações geram campos de deslocamento do solo ($\vec{\xi}$) e a força Newtoniana resultante sobre um espelho. A simulação considera tanto ondas P (longitudinais, causando flutuações de densidade volumétrica) quanto ondas S (cisalhamento, causando deslocamentos de interface).
• Geração de Dados: O conjunto de dados inclui séries temporais de deslocamentos 3D de $N_S$ sismômetros e a força NN alvo em um único espelho. Três cenários de dados distintos foram criados:
  1. Caso Estacionário: Somas de 10 ondas planas amostradas aleatoriamente.
  2. Ondas Planas Dominantes: Eventos de onda plana única.
  3. Pacotes de Ondas Dominantes: Eventos de pacote de onda gaussiano único (transientes).
• Referência (Benchmark): Um filtro de Wiener foi implementado no domínio da frequência, treinado na densidade espectral de potência cruzada (CPSD) dos dados do sismômetro e do sinal alvo.
• Arquiteturas Neurais:
  • CNNs: Utilizaram convoluções espaço-temporais com núcleos espaciais e temporais separados. Projetadas para grades de sismômetros regulares (por exemplo, arranjos cúbicos ou cuboides).
  • GNNs: Utilizaram Camadas de Atenção em Grafos (GATs) para lidar com grades de sismômetros irregulares. A rede ingere uma matriz de adjacência representando as distâncias inversas entre os sensores, permitindo posicionamentos de sensores não uniformes e otimizados.
• Treinamento: Os modelos foram treinados para minimizar o erro absoluto médio entre a força NN prevista e a real. Ruído de sismômetro (ruído branco com SNR=15) foi adicionado aos dados de entrada.

Principais Resultados
O desempenho foi avaliado usando a razão residual ($\sqrt{r_{ind}}$) e os fatores de redução da Densidade Espectral de Amplitude (ASD).

1. Campos de Onda Estacionários:

   • Para campos aproximadamente estacionários (ondas planas sobrepostas), as CNNs e os WFs demonstraram desempenho comparável.
   • Ambos os métodos alcançaram fatores de supressão de ruído entre 10 e 20.
   • As CNNs tiveram um desempenho ligeiramente superior aos WFs (os resíduos foram de 1,1 a 1,4 vezes menores), mas a diferença foi marginal.

2. Eventos Dominantes/Não Estacionários (Ondas Planas e Pacotes de Ondas):

   • Em cenários dominados por eventos únicos (não estacionários), as redes neurais superaram significativamente o filtro de Wiener.
   • Ondas Planas: As CNNs reduziram os resíduos em fatores de até 40 em comparação com os WFs. Enquanto os WFs alcançaram fatores de supressão de apenas ~2, as CNNs atingiram fatores de 10–40.
   • Pacotes de Ondas Gaussianos: A lacuna de desempenho aumentou. As CNNs alcançaram fatores de supressão de 10–30 (até um fator de 30 em baixas frequências), enquanto os WFs mal excederam um fator de 1,6. O rácio de resíduos WF para CNN variou de 15 a 80 dependendo da força do evento e da frequência, com as CNNs mantendo resíduos na faixa de um dígito ou baixo duplo dígito, enquanto os resíduos do WF frequentemente excederam 100% (amplificação) para eventos de baixo RMS.

3. Configuração de Arranjo e Arquitetura:

   • Tamanho do Arranjo: Aumentar o arranjo de 8 para 32 sismômetros melhorou o desempenho para ambos os métodos. No entanto, o WF beneficiou-se mais do aumento da densidade de dados do que a CNN, sugerindo que as CNNs podem extrair informações de forma eficiente mesmo de arranjos menores.
   • Grades Regulares vs. Irregulares: As GNNs foram testadas em grades irregulares otimizadas para mitigação de NN. Embora as GNNs tenham mostrado um desempenho ligeiramente inferior às CNNs em grades regulares (provavelmente devido ao menor número de parâmetros treináveis), elas ainda superaram significativamente os WFs em grades irregulares.
   • Otimização: O uso de uma grade irregular otimizada com GNNs melhorou o desempenho em relação a uma grade regular padrão, alcançando fatores de supressão de 9–16 comparados aos ~1,5 do WF.

Significância e Alegações
O artigo afirma que as redes neurais são uma alternativa viável e frequentemente superior aos filtros de Wiener para a mitigação de ruído newtoniano, particularmente quando o campo de onda sísmica é não estacionário.

• Desempenho: Os autores afirmam que, para fontes de ruído transientes ou dominantes, as redes neurais podem suprimir as amplitudes de NN por fatores de 10–30, superando os filtros de Wiener por fatores de 15–80.
• Flexibilidade: O estudo destaca a utilidade das GNNs para lidar com arranjos de sismômetros irregulares e otimizados, que são teoricamente mais eficazes para a mitigação de NN, mas difíceis de processar com CNNs padrão.
• Implicações Práticas: A capacidade das redes neurais de apresentar bom desempenho em arranjos menores sugere uma potencial redução no número de furos de sondagem necessários, reduzindo assim o custo de construção do detector.
• Limitações e Trabalho Futuro: Os autores observam modestamente que as GNNs atuais possuem menos parâmetros treináveis do que suas contrapartes CNN, o que pode explicar a diferença de desempenho. Um trabalho futuro é proposto para incluir modelos geológicos mais realistas (meios estratificados, ondas de superfície, conversões de modo) e para comparar estes resultados contra filtros de Wiener adaptativos. O estudo baseia-se em dados sintéticos de um meio homogêneo simplificado; a validação com dados de subsuperfície reais é identificada como o próximo passo necessário.