お家パソコンで重力波を解析したい!-VItaminを用いたパラメータ推定-/Tadeno Sukezane
840 Views
March 07, 26
スライド概要
2026年3月17日: LALInferenceについての説明を修正しました.
機械学習は，重力波解析の様々な場面で使われているが，その一つに，パラメータ推定というものがある．パラメータ推定とは，その名の通り，重力波イベントで合体した天体の質量やスピン，重力波源までの距離，傾斜角などを推定することである．パラメータ推定の標準的な技法には，マッチドフィルターを用いたLALInference[10]や，Bilbyなどのベイズ推定を用いたものがあるが，こうした推定，特に高精度なものには，たくさんの計算資源と，数時間~数日といった膨大な時間がかかる．
しかし，NSBHやBNSによる重力波の検出から，電磁波の放出を探すためには，1分以内のような速い解析が求められる．また，従来の技法によるパラメータ推定は，スーパーコンピュータや，研究室で買うような高額なコンピュータへのアクセスが限られている人びとにとっては，参入の障壁になってきた．
機械学習(条件付き変分オートエンコーダー：CVAE)とベイズ推定を用いたパラメータ推定ソフト「VItamin」は，訓練には数時間かかるものの，訓練を終えれば，数十秒でBBH合体による重力波のパラメータ推定を行うことができる．
この発表では，GitHubレポジトリで公開されたVItaminのモデルを一部改造し，参考論文[2]でも行われた，シミュレーション波形の解析テストの他，実際の波形(GW170809，GW190412，GW190512，GW200202)について解析テストを行った結果を報告する．実際の波形の解析結果は，データの概形は捉えていたものの，距離が近めにでたり，傾斜角が一定の値で貼り付く現象が見られた．また，遠くで発生したイベントでは，質量が大きめに出る現象が見られた．前者については，事前分布に強く引きずられる挙動や，学習が十分に進まなかった可能性が示唆され，後者については，検出器質量を推定しているために，宇宙論的赤方偏移zによる影響が見られていると考えられた．その他，VItaminのノイズの扱い(設計感度を元にした定常ガウスノイズで訓練)も影響を与えていると考えられる．
今回の解析では，家庭用のデスクトップパソコンで行った．テストデータの作成には10時間，訓練データの作成や訓練には数時間-1日，各々の解析には数十秒程度かかった．今回の結果は，家庭で買えるPCでも重力波の解析ができるといった，「インクルーシブ」な物理学への第一歩と言えるだろう．
1. “Dawning of a New Era in Gravitational Wave Data Analysis:Unveiling Cosmic Mysteries via Artificial Intelligence — A Systematic Review”(Tianyu Zhao,Ruijun Shi,Yue Zhou,Zhoujian Cao,Zhixiang Ren,2023, https://arxiv.org/abs/2311.15585)
2. "Bayesian parameter estimation using conditional variational autoencoders for gravitational-wave astronomy"(Hunter Gabbard, Chris Messenger, Ik Siong Heng, Francesco Tonolini & Roderick Murray-Smith ,2021 https://www.nature.com/articles/s41567-021-01425-7)
3. “Real-Time Gravitational Wave Science with Neural Posterior Estimation”(Dax MGreen SGair JMacke JBuonanno ASchölkopf B,2021, https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.241103)
4. “Juliaで作って学ぶベイズ統計学”(須山敦志,講談社,2021)
5. 実際の重力波の解析の比較に用いた事後分布:
6. GW200202:https://zenodo.org/records/55466632026年2月9日閲覧
7. それ以外:https://zenodo.org/records/65136312026年2月9日閲覧
8. GitHubレポジトリ:https://github.com/hagabbar/VItamin2026年1月24日閲覧
9. GitHubレポジトリ:https://github.com/hagabbar/vitamin_c 2026年1月24日閲覧
10. LALInference: https://lscsoft.docs.ligo.org/lalsuite/lalinference/index.html 2026年2月20日
物理学を学んでいます
（ダウンロード不可）
関連スライド
各ページのテキスト
Public Public お家のパソコンで重力波を解析した い! ~VItaminを用いたパラメータ推定~ 2026年3月7日 Tadeno Sukezane 参考文献: Gabbard et al,2021 https://www.nature.com/articles/s41567-021-014257 10/03/2026 1
Public お願い • プライバシー上の問題があるため，このスライドを共有してい るURLを不特定多数に公開することはお控えください • Due to privacy concerns, please refrain from publicly sharing the URL for this slide with an unspecified number of people • パーティに行こうよ =) • Let’s go to the party =) 10/03/2026 2
Public 自己紹介 ホームページ • Name: Tadeno Sukezane • Pronouns : They/Them • Affiliation: 京都大学大学院理学研究科 M1 • Interesting(About Physics):宇宙物理学,重力波,機械学習,海洋物 理学,計算物理学 • Interesting(Other):異分野研究,科学哲学,環境科学,気候変動, ジェンダー&セクシュアリティ,アクセシビリティ • Hobby: 俳句,小説執筆,音楽 ,読書 ,映画 ,Backrooms, Podcasts,プログラミング ,写真 ,雑草,昆虫 , 鉱物 , 記録す ること 10/03/2026 3
Public 本日のメニュー • 導入-重力波のパラメータ推定って何?-(起) • パラメータ推定の課題(起) • VItaminって何だ? (承) • VItaminのしくみ うまい・やすい・はやい(承) • シミュレーションデータでやってみた(転) • 実際の重力波のデータでやってみた(転) • 今後の展望(結) 10/03/2026 4
Public 本日のゴール • 機械学習を使い，おうちのパソコンで重力波のパラメータ推定 (質量，距離，スピン，傾斜角…)をしてみよう 10/03/2026 5
Public ベイズ推論って何? • ベイズの定理 • Xは，「入力データ」μは「パラメータ」 • 𝑝(𝜇|X) = 𝑝 𝑋𝜇 𝑝 𝜇 𝑝 𝑋 • ←入力データがあったときに，パラメータμが現れる確率 • p(X) = ∫ p(X|μ) p(μ) dμ • ←周辺尤度と呼び，「どんなパラメータにせよ，入力データXが出てく る確率(積分はめっちゃ難しい)」 10/03/2026 6
Public ベイズ推定の「おきもち」 • 「Juliaで作って学ぶベイズ統計学(須山敦志,講談 社,2021)」によると… • 未知の確率𝜇で，「オモテ」が出るコインを5回投げる • オモテが2回，ウラが3回出る • じゃあ確率は0.4?そうとは限らない • 確率が0.8でも，オモテが2回出ることはある．でもめったにな いと思う • 確率0だったら，オモテは絶対に出ない • のような「自信の割合」を定量的に決める 10/03/2026 7
Public 導入-重力波のパラメータ推定って何?• 重力波の波形データから，合体した天体の質量や，波源の距 離，スピンや傾き…を推定する • LIGOのパラメータ推定に使われる主要なソフトは，ベイズ推論 を用いたBilbyやLALInference 図1:2つのブラックホールが合体するイメージ (CC BY 4.0 : SXS, LIGO Laboratory and T. Abbot & NOAO/AURA/NSF) 10/03/2026 8
Public パラメータ推定の課題 • とても時間がかかる • (Gabbard et al,2021)によれば，「6時間~6日間」とのこと • 要求される計算資源も多い • いわゆる「スーパーコンピュータ」とか • 家のパソコンや学校で共用のパソコンでは無理(特に高精度なもの) • 全然「インクルーシブ」じゃない • 連星中性子星(BNS)，中性子星-ブラックホール連星(NSBH) で，キロノバなどの電磁波現象を追うには数秒-1分程度の早さ が必要! 10/03/2026 9
Public VItaminって何だ? (Gabbard et al,2021) • 「条件付き変分オートエンコーダー」(CVAE)を用いたパラ メータ推定のソフトウェアのこと • CVAE:画像推定や，テキストからの画像推定，画像生成，不均一・不 完全なデータフィッティングに使われ，関数近似に良い • 学習には時間がかかるが，1回で済む • パラメータ推定は2019年時点での標準的な方法よりも6桁早く 終わる • 論文では，IMRPhenomPv2で作ったブラックホール連星のシ ミュレーションデータについてテスト→Bilbyの推定ライブラ リと遜色ない結果に 10/03/2026 10
Public VItaminのしくみ 訓練の流れ 1 𝑁 𝑏 • 𝐻 ≤ Σ𝑛=1 [𝐾𝐿[𝑞𝜙 𝑧 𝑥𝑛 , 𝑦𝑛 ||𝑟𝜃1 𝑧 𝑦𝑛 ] − 𝑁 log 𝑟𝜃2 𝑥𝑛 𝑦𝑛 , 𝑧 ] • クロスエントロピー𝐻をできるだけ小さくする • ニューラルネットワークのパラメータ𝜃1 , 𝜃2 , 𝜙 • 第1項:KLダイバージェンス:エンコーダー 𝑟𝜃1 𝑧 𝑦 と認識関数エンコーダー𝑞𝜙 𝑧 𝑥𝑛 , 𝑦𝑛 の分布の類似度 • 第2項:再構築コストL:デコーダ𝑟𝜃2 𝑥𝑛 𝑦𝑛 , 𝑧 がどれ だけ本来のパラメータをうまく推定したか? • 直接パラメータを生成せず，低次元の「潜在空間」 を経由 いらない部分を圧縮しつつ，本質を残す 「うまい」「やすい」「はやい」技法 10/03/2026 図2:訓練とテストの流れ (https://github.com/hagabbar/vi tamin_c/blob/master/images/netw ork_setup.png から) 11
Public VItaminのしくみ 訓練の流れ① • KLダイバージェンスを調べる 入力 出力 • パラメータについて低次元の潜在空間z(中間に出てくるやつ) • KLダイバージェンス:エンコーダー 𝑟𝜃1 𝑧 𝑦 と認識関数エンコーダー 𝑞𝜙 𝑧 𝑥𝑛 , 𝑦𝑛 の分布の類似度 正解のパラメータ 𝑥(物理量) 認識関数エンコー ダー:𝑞𝜙 𝑧 𝑥, 𝑦 潜在空間𝑧での 分布𝜇𝑟1 KLダイバージェ ンス 入力データ𝑦(波形 データ) 10/03/2026 エンコーダー: 𝑟𝜃1 𝑧 𝑦 潜在空間𝑧での 分布𝜇q1 図3:KLダイバージェンスを計算する過程 (https://github.com/hagabbar/vitamin_c/blob/master/images/network_setup.png を再構成) 12
Public VItaminのしくみ 訓練の流れ② • 再構築コストLを調べる 入力 出力 • パラメータについて低次元の潜在空間z(中間に出てくるやつ) • ニューラルネットワークのパラメータ𝜃1 , 𝜃2 , 𝜙 • 再構築コストL:デコーダ𝑟𝜃2 𝑥𝑛 𝑦𝑛 , 𝑧 がどれだけ本来のパラメータをうまく推定したか? 正解のパラメータ 𝑥(物理量) 認識関数エンコー ダー:𝑞𝜙 𝑧 𝑥, 𝑦 潜在空間𝑧での 分布𝜇q1 入力データ𝑦(波形 データ) デコーダー: 𝑟𝜃2 x y, z 物理量空間で の分布𝜇r2 10/03/2026 サンプリ ングした z𝑞 図4:再構築コストを計算する過程 (https://github.com/hagabbar/vitamin_c/blob/master/images/network_setup.png を再構成) 再構築コストL 13
Public VItaminのしくみ 本番のテスト • 認識関数エンコーダー:𝑞𝜙 𝑧 𝑥, 𝑦 なしで推論をする 入力データ 𝑦(波形デー タ) エンコーダー: 𝑟𝜃1 𝑧 𝑦 潜在空間𝑧での 分布𝜇𝑟1 サンプリング したz𝑟1 サンプリング した𝑥 物理量空間で の分布𝜇r2 デコーダー: 𝑟𝜃2 x y, z 入力 出力 図5:本番のテストを行う過程 (https://github.com/hagabbar/vitamin_c/blob/master/images/network_setup.png を再構成) 10/03/2026 14
Public 元のVItaminから改造したところ • 距離𝑑𝐿 の事前分布を「一様」→2乗に比例に(物理的な要請に合 わせる) • デコーダーの「活性化関数」をsoftplus関数に • 元はReLUが使われていたが，softplusにすることで分布を滑らかに • コスト関数の改造 • 質量をより正確に推定してもらう→コスト関数に，「チャープ質量」の 誤差を入れる • 距離をより正確に推定してもらう→「切断ガウス分布」として一括処理 される部分から，距離のみを取り出して，5倍プッシュ 10/03/2026 15
Public シミュレーションデータでやってみた(基本的な 流れ) • GitHubで公開されているVItaminとVItamin_Cを用いる • お家パソコン でやってみよう パラメータ の境界条件 の設定 10/03/2026 訓練デー タ・テスト データの作 成(数時間 ~1日) 訓練 (数時間~1 日) 波形データ の整形(実 際の波形 データをテ ストする場 合) テスト(数 秒~十数秒) 16
Public シミュレーションデータでやってみた(基本的な 流れ) • お家パソコンのスペック(クリエイティブデスクトップPC) • (CPU:インテル(R) Core(TM) i7-11700K プロセッサー) • RAM:32GB メモリ • GPU:NVIDIA GeForce RTX 3060 / 12GB • 今回使うのはGPU • 訓練データ・テストデータ(シミュレーション)はIMRPhenomPv2を 使っている • 訓練に使ったノイズ→実際の設計感度を元にシミュレートしたもの • デモンストレーションのため，2つの波形で見てみた 10/03/2026 17
Public シミュレーションデータでやってみた(細かい仕 様) • 訓練データ数: 100万 • 訓練epoch: 約25000epoch • パラメータの境界 項目 最大 最小 項目 最大 最小 ψ 𝜋 2 0 𝜋 2 π dec − m1 (太陽質量) 5 80 Θjn 0 π m2 (太陽質量) 5 80 𝑎1 0.0 0.8 𝑑𝐿 (Mpc) 200 2000 𝑎2 0.0 0.8 𝑀(太陽質量) 10 160 Θ1 0 π 𝑡0 (秒) 0.15 0.35 Θ2 0 π Phase 0 2π 𝜙12 0 2π ra 0 2π 𝜙𝑗𝑙 0 2π 10/03/2026 18
Public シミュレーションデータでやってみた 図6:シミュレーション データを用いた解析 Vitamin(赤) Dynesty(青) 10/03/2026 19
Public シミュレーションデータでやってみた(拡大) 図7-a:シミュレーションデータ を用いた解析(2つ目のデータ) VItamin(赤) Dynesty(青) ※Ψは重力波の偏極角のこと 10/03/2026 20
Public 実際の重力波のデータでやってみた • GW170809 • GW190412 • GW190512 • GW200202 • について解析(デモンストレーション) • GWTC-2.1の事後分布 (https://zenodo.org/records/6513631)と比較 • GW200202のみGWTC3(https://zenodo.org/records/5546663) • いずれも解析は数秒-十数秒で終了 10/03/2026 21
Public 実際の重力波のデータでやってみた(抜粋) 実はVirgo を入れると 見当違いに なる 10/03/2026 図8(左):GW170809解析 図9(右):GW190412解析 自信なさげ 22
Public 実際の重力波のデータでやってみた(抜粋) 距離が近め に出る 自信なさげ 図10(左):GW190512解析 図11(右):GW200202解析 10/03/2026 23
Public 気になったメモ (特に距離・質量について) • 全体的に距離が近めに出る&傾斜角𝜃𝑗𝑛 が1.5付近で張り付く 𝜋 • 1️⃣𝜃𝑗𝑛 は事前分布の特性で， 付近が最も出やすい．「学習」をサボっ 2 ている • 2️⃣上記のため，縮退している距離がおかしくなる? • VItaminは，赤方偏移zを考慮している? • 検出器質量と補正後の質量の違い? • 遠くで発生したイベントでは，質量の違いが顕著に出てくる • 元論文には明確な言及なし • 訓練に使ったノイズは実際のノイズではない • 10/03/2026 実際のイベントの解析に影響が出た可能性あり 24
Public まとめ&将来の「夢」 • GitHubで公開されているVItaminのモデルを少し改造して，2 つのシミュレーション波形+4つの実際の波形で解析 • 大まかな傾向は近いが，傾斜角が1.5付近で貼り付く現象が見られた • 訓練に使ったノイズが実データの解析に影響を与えた? • VItaminの「進化系」:DINGO(Dax et al,2021) • VItaminのように「やすい」「はやい」「うまい」 • 実データ(GWTC-1)で解析 従来の手法とうまく一致 • VItaminと異なり，正規化流（Normalizing Flows）を用いる • ノイズの扱いも異なる．その時点のノイズ特性(PSD)も条件として用 いる→色々なノイズ特性に1回の訓練で対応 10/03/2026 25
Public まとめ&将来の「夢」② • 今回のお試し解析は，クリエイティブ用途のデスクトップパソ コンで行った • 訓練には数時間~1日 • 解析には数十秒程度 • 家庭で買えるようなPCでも解析ができる．「インクルーシブ」物理 学への第一歩 • 今後やってみたいこと • 「進化系」DINGO論文を深く読んでみる(実データの解析はこっち?) • 同様の解析をしてみる?わかりやすいマニュアルを作る? • もしかしたら…連星中性子星の&NSBHイベントの解析 • 将来 背景重力波・超新星など新しいイベントへの挑戦(完全に夢) 10/03/2026 26
Public 謝辞 • スライドの形式や，発表準備・興味関心その他についてアドバ イスをしてくださった理学研究科 田中貴浩 教授 に心から厚 く御礼申し上げます • スライドのわかりやすさについてアドバイスを下さった理学研 究科 細川隆史 准教授 に深く感謝申し上げます 10/03/2026 27
Public 参考文献 • “Dawning of a New Era in Gravitational Wave Data Analysis:Unveiling Cosmic Mysteries via Artificial Intelligence — A Systematic Review”(Tianyu Zhao,Ruijun Shi,Yue Zhou,Zhoujian Cao,Zhixiang Ren,2023, https://arxiv.org/abs/2311.15585) • "Bayesian parameter estimation using conditional variational autoencoders for gravitational-wave astronomy"(Hunter Gabbard, Chris Messenger, Ik Siong Heng, Francesco Tonolini & Roderick Murray-Smith ,2021 https://www.nature.com/articles/s41567-021-01425-7) • “Real-Time Gravitational Wave Science with Neural Posterior Estimation”(Dax MGreen SGair JMacke JBuonanno ASchölkopf B,2021, https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.241103) • “Juliaで作って学ぶベイズ統計学”(須山敦志,講談社,2021) • 実際の重力波の解析の比較に用いた事後分布: • GW200202: https://zenodo.org/records/5546663 2026年2月9日閲覧 • それ以外: https://zenodo.org/records/6513631 2026年2月9日閲覧 • GitHubレポジトリ: https://github.com/hagabbar/VItamin 2026年1月24日閲覧 • GitHubレポジトリ: https://github.com/hagabbar/vitamin_c 2026年1月24日閲覧 • https://lscsoft.docs.ligo.org/lalsuite/lalinference/index.html 2026年2月20日閲覧 • https://lscsoft.docs.ligo.org/bilby/ 2026年2月21日閲覧 10/03/2026 28
- https://arxiv.org/abs/2311.15585
- https://www.nature.com/articles/s41567-021-01425-7
- https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.241103
- https://zenodo.org/records/5546663
- https://zenodo.org/records/6513631
- https://github.com/hagabbar/VItamin
- https://github.com/hagabbar/vitamin_c
- https://lscsoft.docs.ligo.org/lalsuite/lalinference/index.html
- https://lscsoft.docs.ligo.org/bilby/