基于神经网络的低延迟引力波警报的首选事件选择方法

LIGO-Virgo-KAGRA 合作项目使用多个独立的搜索管道检测引力波，常常导致单个天体源出现多个触发信号（g-events）。这些触发信号被分组为超级事件，这对于多信使天文学提出了一个关键问题：在进行电磁跟踪观测时，哪个 g-event 提供最准确的天空定位？目前采用信号信噪比（SNR）最高的 gevent 进行选择，认为其应提供源参数（包括天空位置）的最佳估计。分析模拟信号发现，这一期望存在系统性偏差。特别是，基于虚假警报率（FAR）的选择器比基于 SNR 的方法稍差，但会引入管道偏差。我们提出一种基于神经网络的选择器，该选择器在模拟信号上进行训练，以识别具有最小搜索区域的 gevent——这是一种量化定位精度的指标。该网络使用来自每个天体源相关的所有触发信号的信息（检测器 SNR、FAR 和浑轮质量），并设计为管道不可知。我们的结果表明，神经网络超越了两种传统选择器，实现的平均搜索区域约比基于 SNR 的选择器小 2%。与基于 FAR 的选择相比，神经网络保留了管道贡献的原始分布，避免了对特定管道的系统性偏差。该网络可在约一分钟内对几千个事件进行训练，并能即时完成事件选择，适用于低延迟应用。这些结果表明，机器学习可以增强多信使天文学能力，同时保持各检测管道的公平性。我们建议在未来的观测运行中采用此方法。