用于致密双星并合引力波探测的一维与二维卷积神经网络模型对比研究及归因分析
广义相对论与量子宇宙学
2024-02-08 v2 天体物理仪器与方法
摘要
引力波天文学的最新进展见证了卷积神经网络（CNN）在致密双星并合信号探测中的应用。本研究对两种 CNN 架构进行了对比分析：一维（1D）和二维（2D）CNN，以及一个结合两者的集成模型。我们训练这些模型在真实探测器噪声中探测来自双黑洞（BBH）并合、中子星-黑洞（NSBH）并合和双中子星（BNS）并合的引力波信号。我们的研究包含了对每种模型类型在不同信号类别上探测性能的全面评估。为了理解模型的决策过程，我们采用了特征图可视化和归因分析。研究结果显示，虽然一维模型在探测 BBH 信号方面表现更优，但二维模型在识别 NSBH 和 BNS 信号方面更出色。值得注意的是，集成模型在所有信号类型上的性能都优于两个单独模型，展示了增强的探测能力。此外，输入特征可视化表明一维和二维模型在数据中关注不同的区域，强调了它们组合的有效性。
引用
@article{arxiv.2312.04855,
title = {Comparative study of 1D and 2D convolutional neural network models with attribution analysis for gravitational wave detection from compact binary coalescences},
author = {Seiya Sasaoka and Naoki Koyama and Diego Dominguez and Yusuke Sakai and Kentaro Somiya and Yuto Omae and Hirotaka Takahashi},
journal= {arXiv preprint arXiv:2312.04855},
year = {2024}
}
备注
12 pages, 9 figures