Gw150914 MCP Signal Search

🚀 GW150914 MCP信号検索

このプロジェクトは、Model Context Protocol (MCP) を使用した重力波信号検出と最適化システムです。効率的なパラメータ空間探索を行い、GW150914イベントの重力波信号解析を行います。

🚀 クイックスタート

前提条件

• Python 3.9以上
• UV パッケージマネージャ

まだUVをインストールしていない場合は、以下のコマンドを実行します。

curl -LsSf https://astral.sh/uv/install.sh | sh

インストール

1. プロジェクトをクローンしてセットアップします。

git clone <repository-url>
cd gw150914-mcp-signal-search
make setup

2. 環境変数を設定します。

cp env.template .env
# .env を編集して、あなたのOpenAI APIキーを設定します。

3. 依存関係をインストールします。

make install-dev

システムの実行

1. 解析サーバーと最適化クライアントを起動します。

make run-client SERVER_PATH=mcp-server/gw_analysis_server.py

2. または、完全なデモを実行します（サーバーとクライアントの両方を含みます）。

make demo

✨ 主な機能

GW解析サーバーツール

• データ取得：GWOSCから重力波データをダウンロードし、前処理を行います。
• マッチドフィルター検索：テンプレートベースの信号検出を行います。
• ネットワーク解析：複数の検出器を用いたコヒーレント解析を行います。
• 可視化：グラフや解析結果を生成します。

最適化クライアント

• AIによる探索：OpenAI GPTを使用して、パラメータ探索を行います。
• 4次元パラメータ空間：質量1、質量2、赤経、赤緯を最適化します。
• 収束検出：最適なSNRが見つかったら自動的に停止します。
• 進捗追跡：最適化中に視覚的なフィードバックを提供します。

📦 インストール

前提条件

• Python 3.9以上
• UV パッケージマネージャ

まだUVをインストールしていない場合は、以下のコマンドを実行します。

curl -LsSf https://astral.sh/uv/install.sh | sh

手順

1. プロジェクトをクローンしてセットアップします。

git clone <repository-url>
cd gw150914-mcp-signal-search
make setup

2. 環境変数を設定します。

cp env.template .env
# .env を編集して、あなたのOpenAI APIキーを設定します。

3. 依存関係をインストールします。

make install-dev

💻 使用例

基本的な最適化

# クライアントは自動的にGW150914のパラメータを最適化します。
python mcp-client/gw_optimization_client.py mcp-server/gw_analysis_server.py

カスタムパラメータ範囲

クライアントの最適化クエリを編集して、以下のパラメータを指定できます。

• 質量範囲（現在は10 - 80太陽質量）
• 天球上の位置範囲（赤経: 0 - 2π、赤緯: -π/2 から π/2）
• 収束基準

📚 ドキュメント

利用可能なコマンド

make help を実行すると、利用可能なすべてのコマンドを表示できます。

インストールとセットアップ

• make install - 本番環境の依存関係をインストールします。
• make install-dev - 開発環境の依存関係をインストールします。
• make setup - 開発環境のセットアップを完了します。
• make update - すべての依存関係を更新します。

コード品質

• make format - blackとisortを使用してコードを整形します。
• make lint - リントチェックを実行します。
• make check - すべてのコード品質チェックを実行します。
• make test - テストを実行します。

アプリケーションの実行

• make run-server - GW解析サーバーを起動します。
• make run-client SERVER_PATH=<path> - 最適化クライアントを起動します。
• make demo - 完全なデモを実行します。

開発

• make notebook - Jupyterノートブックを起動します。
• make dev-shell - 開発用シェルに入ります。
• make clean - 一時ファイルをクリーンアップします。

データ管理

• make data-info - データファイルの情報を表示します。
• make clean-data - 一時データファイルをクリーンアップします（歪みデータは保持します）。
• make backup-data - 解析結果とログのバックアップを作成します。

プロジェクト構造

gw150914-mcp-signal-search/
├── data/                            # 重力波データと解析結果
│   ├── H1-1126259446-1126259478.txt    # LIGOハンフォード検出器の歪みデータ (GW150914)
│   ├── L1-1126259446-1126259478.txt    # LIGOリビングストン検出器の歪みデータ (GW150914)
│   ├── matched_filter_records.jsonl    # 解析結果と最適化履歴
│   └── logs/                            # アプリケーションログ (自動生成)
│       ├── server_YYYYMMDD_HHMMSS.log      # サーバー実行ログ
│       ├── client_YYYYMMDD_HHMMSS.log      # クライアント最適化ログとAIのやり取り
│       └── demo_YYYYMMDD_HHMMSS.log        # デモ実行の結合ログ
├── mcp-client/
│   └── gw_optimization_client.py    # AIによる最適化クライアント
├── mcp-server/
│   └── gw_analysis_server.py        # GW解析MCPサーバー
├── pyproject.toml                   # プロジェクト設定
├── Makefile                         # ビルドとデプロイメントコマンド
├── env.template                     # 環境変数テンプレート
└── README.md                        # このファイル

データディレクトリ

data/ ディレクトリには、GW150914イベントの重力波歪みデータと解析結果が含まれています。

歪みデータファイル

• H1-1126259446-1126259478.txt：LIGOハンフォード (H1) 検出器の歪みデータ

  • GPS時間範囲: 1126259446 から 1126259478 (GW150914の前後32秒)
  • 形式: 2列 - GPS時間 (秒) と歪み振幅
  • サンプルレート: 4096 Hz
  • データポイント: 検出器ごとに約131,072サンプル

• L1-1126259446-1126259478.txt：LIGOリビングストン (L1) 検出器の歪みデータ

  • H1データと同じ形式と時間範囲
  • バイナリブラックホール合体からの重力波信号を含む

解析結果

• matched_filter_records.jsonl：JSON Lines形式の最適化結果を含むファイル
  • 各行は1つのマッチドフィルター解析結果を表す
  • SNR値、テンプレートパラメータ、検出器応答を含む
  • 最適化履歴とパラメータ探索を追跡する
  • AIクライアントが過去の試行から学習するために使用される

アプリケーションログ

• logs/：タイムスタンプ付きの実行ログが含まれるディレクトリ (自動生成)
  • server_YYYYMMDD_HHMMSS.log：サーバー実行ログにタイムスタンプが付けられています。
  • client_YYYYMMDD_HHMMSS.log：クライアント最適化ログとAIのやり取り
  • demo_YYYYMMDD_HHMMSS.log：デモ実行の結合ログ
  • すべての標準出力と標準エラー出力はタイムスタンプ付きでキャプチャされます。
  • ログは make run-server, make run-client, または make demo を実行すると自動的に作成されます。

データ形式の詳細

歪みデータ形式:

GPS_TIME    STRAIN_AMPLITUDE
1.126259446000000000e+09    2.177040281448404468e-19
1.126259446000244141e+09    2.087638998822567751e-19
...

解析結果形式:

{
  "timestamp": "010725",
  "max_network_snr": 7.3055496414353565,
  "max_snr_time": 1126259462.4360352,
  "template_parameters": {
    "mass1": 17.0,
    "mass2": 9.5,
    "ra": 0.94,
    "dec": -0.31
  },
  "detector_snrs_at_max": {
    "H1": {"snr_abs": 5.064289109514169},
    "L1": {"snr_abs": 5.2653614670535624}
  }
}

データの使用方法

• 歪みデータはMCPサーバーによって自動的にロードされ、解析されます。
• 結果は処理の間に /tmp/gw-mcp/ にキャッシュされます。
• 最適化クライアントは過去の結果を使用してパラメータ探索を行います。
• データはサーバーのプロットツールを使用して可視化できます。
• すべての実行ログは自動的に data/logs/ にタイムスタンプ付きで保存されます。デバッグや解析に使用できます。

🔧 技術詳細

科学的背景

このプロジェクトは、最初に直接検出された重力波イベントであるGW150914に焦点を当てています。

• イベント時間: GPS 1126259462.427
• ソース: バイナリブラックホール合体 (~36 + 29太陽質量)
• 検出器: LIGOハンフォード (H1) とLIGOリビングストン (L1)
• ピークSNR: ネットワークで約24

結果と検証

このプロジェクトは、AI for Science Hackathon (Beijing) で開発され、検証されました。 promisingな結果が得られ、LLMエージェントによる重力波検出の有効性が実証されました。

信頼性解析

システムは、異なる初期条件でも一貫した収束挙動を示しています。

パラメータの進化と収束解析。探索中に真の値に徐々に収束する様子を示しています。システムは異なる初期条件でも一貫した性能を示し、最大SNR 19.56に到達するまでの平均反復回数は13.3 ± 3.5です。

検出性能

自動化されたシステムは、重力波信号を正常に検出し、解析しています。

ネットワークSNRの時系列データ。GW150914信号の正常な検出を示しています。システムはGPS時間1126259462.428でピークネットワークSNR 19.6を達成し、実際の重力波データでのLLMエージェントによる自動化された重力波データ検出を実証しています。

検証結果

• 収束: 探索中にパラメータが真の値に徐々に収束します。
• 一貫性: 異なる初期条件でもモデルは一貫した性能を示します。
• 精度: 最大SNR ~19.6を達成し、理論的な期待値と一致します。
• 自動化: 実際のLIGOデータで検証された完全自動化された検出パイプライン。

技術レポート

詳細な方法論、結果、および解析については、 を参照してください。

He Wang (ICTP-AP, UCAS) と Yiming Dong (PKU) によって、2025年8月24日のAI for Science Hackathon (Beijing) で発表されました

開発

開発環境のセットアップ

# 開発環境のセットアップを完了します。
make setup

# プリコミットフックをインストールします。
make pre-commit-install

# テストを実行します。
make test

# コード品質をチェックします。
make check

依存関係

主要な依存関係は以下の通りです。

• mcp: Model Context Protocolフレームワーク
• numpy, scipy: 科学計算
• gwpy, pycbc: 重力波解析
• openai: AI統合
• matplotlib: 可視化

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。詳細は LICENSE ファイルを参照してください。

📚 学習リソース

MCP (Model Context Protocol) リソース

• 公式MCPドキュメント - 完全なガイドとAPIリファレンス
• DeepLearning.AI MCPコース - "MCP: Build Rich-Context AI Apps with Anthropic" - Elie Schoppikによる包括的な実践的コース
• Tutorial on Building AI Scientist Agents with Model Context Protocol - MCPフレームワークを使用したAI科学者エージェントの構築に関する包括的なチュートリアル
• MCP.Scienceリポジトリ - 65以上のスターを持つ科学研究用のオープンソースMCPサーバー
• How to Build Your Own MCP Server - カスタムMCPサーバーを作成するためのステップバイステップチュートリアル
• Integrate MCP Server Guide - AIアプリケーションとMCPサーバーを統合するための完全なガイド

科学計算とAIリソース

• AI4Science Events - スタンフォード量子科学ハッカソンやその他のAI for scienceイベント
• AI-4-Science Organization - 科学研究におけるAIアプリケーションのコミュニティとリソース
• Project Technical Report - AI for Science Hackathon (Beijing) の詳細な方法論と結果

これらのリソースの重要性

このプロジェクトは、科学計算、特に重力波解析におけるMCPの実用的な応用を示しています。上記のリソースは以下のような情報を提供します。

• 基礎知識: MCPのアーキテクチャと実装の理解
• 実践的な学習: MCPサーバーとクライアントの構築とデプロイ
• 科学的な文脈: 物理学や天文学におけるAIの実世界での応用
• コミュニティ: 同様のプロジェクトに取り組んでいる研究者や開発者との交流

MCPの始め方

1. 公式MCPドキュメント から基本概念を学びましょう。
2. DeepLearning.AIコース で実践的な実装を学びましょう。
3. MCP.Scienceリポジトリ を探索して、科学的なユースケースを見つけましょう。
4. このプロジェクトをテンプレートとして、独自の重力波または科学解析アプリケーションを作成しましょう。

🙏 謝辞

• LIGO Scientific Collaborationによる重力波データの提供
• PyCBCとGWpyコミュニティによる解析ツールの提供
• AnthropicによるMCPフレームワークとプロトコルの開発
• Path Integral InstituteによるMCP.Scienceオープンソースサーバーの提供
• DeepLearning.AIとElie Schoppikによる教育リソースの提供