ΦasmaNet: 빠른 중력파 신호 대 잡음비 예측을 위한 단계별 스펙트럼 토큰 정제 아키텍처

중력파 개체군 연구에서 선택 효과(selection effects)를 정량화하려면 수백만 건의 비용이 많이 드는 신호 대 잡음비 (Signal-to-Noise Ratio, SNR) 계산이 필요합니다. 우리는 $\Phi$asmaNet을 제시합니다. 이는 구조화된 표 형식 회귀(structured tabular regression)를 위한 간결한 신경 아키텍처이며, 명시적인 아키텍처 사전 지식(architectural prior)으로 단계별 스펙트럼 정제(staged spectral refinement)를 사용했습니다. 학습된 입력 토큰은 순서 기반 어텐션(attention)-$\Phi$-Stage를 통해 정제되며, 각 $\Phi$-Stage는 $\Phi$-Refractor 부분 공간 혼합 모듈(subspace-mixing module)로 보강되고, 이후 게이팅된 탑다운 $\Phi$-Feedback을 거쳐 재검토됩니다. 이 모델은 전이하는 고차 모드 쌍성 블랙홀 신호(IMRPhenomXPHM)의 11차원 매개변수에 적용되어, 고정된 Advanced LIGO 설계 민감도에서 단일 검출기에 대한 위상 평균 최적 SNR을 예측합니다.

약 732k개의 매개변수를 가진 이 모델은 $10^5$--$10^6$ 샘플에 걸쳐 일치 학습(matched training)된 MLP, 1D-ResNet 및 Transformer-encoder 기준 모델보다 성능이 우수합니다. $10^6$ 샘플의 경우, 보류된 테스트 세트에서 $100-\mathrm{MAPE}=98.73%$를 달성했으며, 순위 보존 단조(monotonic) (PCHIP) 보정을 거치면 99.29%를 기록했고, 검출 관련 영역 $\rho>8$에서는 99.39% ($R^2=0.9998$)의 정확도를 보였으며, 독립적인 데이터셋 실현(dataset realizations) 전반에 걸쳐 안정적인 정확도를 유지했습니다.

단일 GPU 환경에서 초당 약 $1.2\times10^5$ 건의 SNR 평가를 지속할 수 있으며, $10^6$-주입 카탈로그 전체를 약 8.3초 만에 처리합니다. 이는 16코어 CPU에서 수행하는 기존 파형 및 내적 계산보다 약 두 자릿수 더 빠른 속도입니다. $\rho\propto1/d_L$을 통한 정확한 거리 재조정(distance rescaling)은 반복적인 카탈로그 전체 검출 가능성 평가를 지원합니다. 완전히 문서화된 이 파이프라인은 재현 가능한 벤치마크로 의도되었으며, 공용 표 형식 데이터셋에서의 결과는 중력파 응용 분야를 넘어 경쟁력을 보여줍니다. 비록 고정된 단일 검출기 구성을 위해 시연되었지만, 이 구조는 검출기 네트워크 및 에포크별 민감도로의 확장을 지원합니다. (요약)