Гравитационно-волновая астрономия переживает расцвет: детекторы LIGO, Virgo и KAGRA регулярно регистрируют слияния компактных объектов. Большинство уверенных обнаружений сделано методом согласованной фильтрации, который требует точных моделей сигнала. Однако не все источники можно описать такими моделями: вспышки сверхновых, колебания нейтронных звёзд, излучение после слияния и неожиданные короткие переходные процессы имеют неопределённую или вовсе неизвестную форму. Поэтому нужны поиски, не предполагающие заранее заданного семейства шаблонов. Они обычно ищут избыточную энергию или когерентную структуру в частотно-временном представлении. Работа стоит рядом с усилиями по созданию бесплановых поисков, таких как coherent WaveBurst и BayesWave, но отличается тем, что доводит вейвлет-подход до полноценного низколатентного конвейера с ранжированием совпадений графовой нейросетью.
Конвейер обрабатывает данные детекторов как непрерывный поток. Сначала данные отбеливаются с помощью авторегрессионного фильтра нулевой фазы, который сохраняет форму переходного сигнала и работает с фиксированной задержкой. Затем каждый анализный блок длительностью 250 мс раскладывается по десяти ортонормированным вейвлет-базисам. Коэффициенты, превышающие порог, определённый по уровню шума, сохраняются, а их норма служит статистикой обнаружения. Триггеры из последовательных окон группируются в события одного детектора по геометрическим правилам близости во времени, по частоте и по энергии. События разных детекторов образуют узлы графа, а рёбрами соединяются пары, совместимые по времени прихода и частотной поддержке. Этот граф ранжируется графовой нейросетью, которая обучалась либо с учителем на введённых сигналах, либо без учителя на случайных совпадениях.
На моделированных данных с шумом, окрашенным по кривой чувствительности Advanced LIGO, поиск восстанавливает 0.99 двойных чёрных дыр, 0.87–0.86 систем чёрная дыра–нейтронная звезда, 0.47–0.50 двойных нейтронных звёзд и 0.60–0.63 вспышек сверхновых в одном детекторе. На реальных данных O4 эффективность выше: 0.995–0.999 для двойных чёрных дыр, 0.943–0.966 для систем чёрная дыра–нейтронная звезда, 0.799–0.859 для двойных нейтронных звёзд и 0.524–0.572 для сверхновых. Сетевое ранжирование графовой нейросетью превосходит детерминированную статистику: при одном ложном срабатывании в день на реальных данных GNN восстанавливает 0.28 совпадающей популяции против 0.08 у Rmor, а при десяти в день — 0.85 против 0.56. Для события GW250114 конвейер без шаблонов идентифицирует его как самый громкий кандидат с нулевой задержкой в анализируемом сегменте.
Работа демонстрирует, что вейвлет-представление может поддерживать обнаружение, ранжирование и реконструкцию переходных сигналов в едином конвейере. В отличие от соседних работ, которые часто фокусируются на одном этапе, здесь весь путь от отбеленных данных до калиброванного кандидата и области на небе выполняется без модели сигнала. Использование графовой нейросети для ранжирования совпадений непосредственно на триггерном графе является первым в своём роде для бесплановых поисков. Это открывает путь к более чувствительному поиску неожиданных источников в реальном времени.
Тема может развиваться в сторону оценки параметров с помощью нормализующих потоков на тех же коэффициентах, что и дало название конвейеру. Другое направление — полный низколатентный тест цепочки с переносом фронтенда на аппаратные платформы, например FPGA. Оба направления уже заложены в архитектурных решениях работы.
Метод повлияет на гравитационно-волновую астрономию, особенно на поиск вспышек сверхновых и других немоделируемых источников. Также он может быть полезен для автоматической классификации инструментальных шумов.
Анализ более длинных участков реальных данных для измерения эффективности на скоростях, характерных для наблюдательного цикла. Обучение модели на реальном шуме с размеченными событиями.
Ключевая нерешённая проблема гравитационно-волновой астрономии — обнаружение переходных сигналов без точных моделей, особенно от вспышек сверхновых. Работа напрямую обращается к этой проблеме, предлагая конвейер, который не предполагает формы сигнала, но при этом обеспечивает калиброванную значимость и реконструкцию.
Событие GW250114 было найдено конвейером без шаблонов, хотя его сетевой сигнал-шум около 80, а ложная тревога крайне мала. Вейвлет-фильтр использует десять разных базисов, чтобы каждый сигнал был представлен в наиболее компактной форме.
Идея слышать космос без готовых шаблонов перекликается с романом Карла Сагана «Контакт», где сигнал внеземного происхождения был обнаружен именно потому, что не походил на ожидаемые шумы.