利用人工神经网络加速进动致密双星的多元引力波波形

黑洞与中子星并合产生的引力波为我们提供了以空前精度确定源属性（如质量和自旋）的独特机会。然而，要做到这一点，需要具备 i) 极高精度且 ii) 计算上高效的理论信号模型。纳入更高阶多极矩和相对论自旋诱导的轨道进动等更细致的物理，会增加波形模型的复杂度从而也增加计算成本，这给参数推断问题带来了严重瓶颈。一种更高效地生成波形的常用方法是为较慢的模型构建快速代理模型。本文中，我们展示了传统代理建模方法与人工神经网络相结合，可用于对进动双黑洞的多极时域波形模型构建计算高效且仍准确的仿真模型。我们将该方法应用于最先进的波形模型 SEOBNRv4PHM，发现了显著的计算改进：在传统 CPU 上，对于总质量为 $44 M_{\odot}$ 的双黑洞，从 20Hz 生成时，使用我们的神经网络代理 SEOBNN_v4PHM_4dq2 生成单个波形的典型耗时为 18ms。与 SEOBNRv4PHM 本身相比，这相当于计算效率提高两个数量级。利用额外的 GPU 加速，我们发现可通过同时生成批量波形进一步增加这一加速比。即便没有额外 GPU 加速，波形生成成本的急剧下降也能将推断时间尺度从数周缩短至数小时。