경량주의 주의 기반 다중 검출기 중력파 탐지 파이프라인

초록

AttenGW는 개별 검출기별 계층형 팽창 합성곱망(HDCN)과 교차‑주의(Cross‑Attention) 집계 모듈을 결합한 경량 모델이다. LIGO‑OSC 기반 전처리·데이터 로딩 파이프라인과 함께 제공되며, 실제 O3 데이터와 시뮬레이션 인젝션 실험에서 그래프 기반 방법 대비 거짓 양성률을 크게 낮추고, 3‑모델 앙상블이 6‑모델 그래프 앙상블과 동등한 성능을 보인다.

상세 분석

AttenGW의 핵심 설계는 두 단계로 나뉜다. 첫 번째 단계는 각 검출기(한포드, 리빙스턴)마다 WaveNet‑스타일의 계층형 팽창 합성곱망(HDCN)을 적용해 1‑D 시계열 스트레인을 16‑차원 특징 시퀀스로 변환한다. 33개의 팽창 블록은 2^0부터 2^10까지의 팽창 계수를 순환적으로 사용해 장시간 의존성을 포착한다. 두 번째 단계는 교차‑주의 네트워크(CAN)로, 한 검출기의 특징을 쿼리(Q)로, 다른 검출기의 특징을 키(K)와 값(V)로 매핑해 스케일드 닷‑프로덕트 주의를 수행한다. 이 과정에서 각 타임스텝은 상대 검출기의 전체 타임라인에 가중치를 부여받아, 신호가 존재하는 구간뿐 아니라 잡음이 강한 구간에서도 상대 검출기의 정보를 동적으로 활용한다. 기존 그래프 기반 집계가 동일 시점의 특징만을 연결하는 반면, 교차‑주의는 시간축 전체에 걸친 연관성을 학습함으로써 비가우시안 잡음과 글리치에 대한 강인성을 높인다.

모델 파라미터는 약 193 k개로, GPU 메모리와 연산량 측면에서 매우 가볍다. 학습은 PyTorch Lightning을 이용해 다중 GPU 분산으로 진행되며, Adam 옵티마이저와 ReduceLROnPlateau 스케줄러를 사용한다. 데이터 생성 파이프라인은 GWOSC에서 실시간으로 스트레인을 다운로드하고, PSD 기반 화이트닝·밴드패스(25‑450 Hz) 후, 실제 잡음에 합성 파형을 삽입한다. SNR 커리큘럼을 도입해 초기 에포크에서는 높은 SNR, 후반부에서는 낮은 SNR 샘플을 제공함으로써 모델이 다양한 신호 강도에 적응하도록 설계되었다.

벤치마크는 2020년 2월 O3b 구간을 사용했으며, 단일 AttenGW 모델은 기존 그래프 기반 단일 모델 대비 거짓 양성률을 수배 감소시켰다. 또한 3‑모델 앙상블은 6‑모델 그래프 앙상블과 거의 동일한 민감도(volume)와 검출 효율을 달성했으며, 이는 경량 모델이 대규모 앙상블 없이도 실용적인 성능을 제공함을 의미한다. 실제 LIGO 잡음에 대한 인젝션 실험에서도 교차‑주의 집계가 비가우시안 배경에 대해 안정적인 검출률을 유지함을 확인하였다.

전반적으로 AttenGW는 (1) 재현 가능한 GWOSC 기반 전처리·데이터 로딩, (2) 경량 계층형 팽창 합성곱망, (3) 교차‑주의 기반 다중 검출기 집계, (4) 공개 Python/PyTorch 구현이라는 네 가지 핵심 기여를 제공한다. 이는 향후 실시간 저지연 탐지 파이프라인이나 다중 검출기 네트워크 확장에 유용한 기반이 될 것으로 기대된다.