用于实时探测致密双星合并引力波的机器学习流水线
广义相对论与量子宇宙学
2025-09-05 v2 天体物理仪器与方法
摘要
多信使天文学的前景依赖于极低延迟（(1\,s)）的引力波快速探测，以最大化可用于后续观测的时间。近年来，神经网络展现出了鲁棒的非线性建模能力和毫秒级的推理速度，且计算开销相对较小，使其成为该背景下极具吸引力的一类算法。然而，将这些算法整合到引力波天体物理研究生态系统中已被证明并非易事。在此，我们提出了首个运行于低延迟的、完全基于机器学习的致密双星合并引力波探测流水线。我们证明，该流水线的延迟仅为传统匹配滤波搜索流水线的一小部分，同时对高质量恒星双星黑洞达到了最先进的灵敏度。
引用
@article{arxiv.2403.18661,
title = {A machine-learning pipeline for real-time detection of gravitational waves from compact binary coalescences},
author = {Ethan Marx and William Benoit and Alec Gunny and Rafia Omer and Deep Chatterjee and Ricco C. Venterea and Lauren Wills and Muhammed Saleem and Eric Moreno and Ryan Raikman and Ekaterina Govorkova and Dylan Rankin and Michael W. Coughlin and Philip Harris and Erik Katsavounidis},
journal= {arXiv preprint arXiv:2403.18661},
year = {2025}
}