Attention U-Net 用于全天连续引力波搜索

检测连续引力波具有挑战性，因为在大参数空间中进行基于模板的搜索计算成本高昂，尤其是在全天搜索中。机器学习为使用合理的计算资源执行这些搜索提供了有前景的解决方案。在本研究中，我们使用约 10.67 天的高斯噪声模拟数据，在 20–1000 Hz 频段内的不同频率下训练了一个 Attention U-Net（卷积神经网络）进行全天搜索。我们的模型在 20 Hz 处训练达到了最佳灵敏度，90% 探测效率灵敏度深度 $D^{90\%} = 29.97 \pm 0.24\,\mathrm{Hz}^{-1/2}$，虚警率为每 50 mHz 1%，而在整个 20–1000 Hz 频段上训练的模型得到 $D^{90\%} = 18.63 \pm 0.24\,\mathrm{Hz}^{-1/2}$。所达到的灵敏度与使用深度学习方法的最先进结果相当，但训练时间和数据不到其 50%。我们发现，对于在 20 Hz 处训练的 Attention U-Net，灵敏度随总观测时间按 $T^{0.28 \pm 0.01}$ 标度，与半相干搜索方法类似。该神经网络在含时间间隙的数据集上表现出鲁棒性，并分析了灵敏度对占空比的依赖关系。我们还研究了训练好的 Attention U-Net 模型对天空位置的灵敏度依赖关系。我们的结果表明 Attention U-Net 是一种可扩展且有效的全天连续引力波搜索方法。