---
title: 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
tags:  #重力波 #宇宙物理学  
author: [Tadeno SKZN](https://www.docswell.com/user/tadeno_skzn)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/57GL3X66EL.jpg?width=480
description: 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
published: March 07, 26
canonical: https://www.docswell.com/s/tadeno_skzn/5Y8N89-2026-03-07-100054
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/57GL3X66EL.jpg)

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


# Page. 2

![Page Image](https://bcdn.docswell.com/page/4EQY5842JP.jpg)

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


# Page. 3

![Page Image](https://bcdn.docswell.com/page/KJ4W92QP71.jpg)

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


# Page. 4

![Page Image](https://bcdn.docswell.com/page/LE1YKMPX7G.jpg)

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


# Page. 5

![Page Image](https://bcdn.docswell.com/page/GEWGD32KJ2.jpg)

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


# Page. 6

![Page Image](https://bcdn.docswell.com/page/47ZLGVDNJ3.jpg)

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


# Page. 7

![Page Image](https://bcdn.docswell.com/page/YJ6WY519JV.jpg)

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


# Page. 8

![Page Image](https://bcdn.docswell.com/page/GJ5MGY4DJ4.jpg)

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


# Page. 9

![Page Image](https://bcdn.docswell.com/page/9E29YGLM7R.jpg)

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


# Page. 10

![Page Image](https://bcdn.docswell.com/page/D7Y4GVQPEM.jpg)

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


# Page. 11

![Page Image](https://bcdn.docswell.com/page/VENYGMKMJ8.jpg)

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


# Page. 12

![Page Image](https://bcdn.docswell.com/page/Y79PWNVWE3.jpg)

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


# Page. 13

![Page Image](https://bcdn.docswell.com/page/G78DNKPR7D.jpg)

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


# Page. 14

![Page Image](https://bcdn.docswell.com/page/L7LMPZ12JR.jpg)

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


# Page. 15

![Page Image](https://bcdn.docswell.com/page/4EMY4VW9EW.jpg)

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


# Page. 16

![Page Image](https://bcdn.docswell.com/page/PER9W2Y9J9.jpg)

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


# Page. 17

![Page Image](https://bcdn.docswell.com/page/P7XQPDG3EX.jpg)

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


# Page. 18

![Page Image](https://bcdn.docswell.com/page/37K9DX4N7D.jpg)

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


# Page. 19

![Page Image](https://bcdn.docswell.com/page/LJ3WR5LZJ5.jpg)

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


# Page. 20

![Page Image](https://bcdn.docswell.com/page/8JDKYDN4EG.jpg)

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


# Page. 21

![Page Image](https://bcdn.docswell.com/page/VEPK6X5V78.jpg)

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


# Page. 22

![Page Image](https://bcdn.docswell.com/page/27VV3LPR7Q.jpg)

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


# Page. 23

![Page Image](https://bcdn.docswell.com/page/5JGL3XP67L.jpg)

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


# Page. 24

![Page Image](https://bcdn.docswell.com/page/47QY5822EP.jpg)

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


# Page. 25

![Page Image](https://bcdn.docswell.com/page/KE4W92LPJ1.jpg)

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


# Page. 26

![Page Image](https://bcdn.docswell.com/page/L71YKMLXJG.jpg)

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


# Page. 27

![Page Image](https://bcdn.docswell.com/page/G7WGD3VKE2.jpg)

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


# Page. 28

![Page Image](https://bcdn.docswell.com/page/4JZLGV4NE3.jpg)

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