用于双黑洞并合波形特征提取的神经网络架构比较
广义相对论与量子宇宙学
2024-04-23 v2 天体物理仪器与方法
摘要
我们评估了多种卷积与循环神经网络架构，通过对双黑洞并合含噪波形进行点参数估计，以实现引力波时间序列特征提取。我们为四种不同波形模型（或近似式）分别构建了 100,000 个样本的数据集，以测试近似式选择如何影响特征提取。我们的选择包括 \texttt{SEOBNRv4P} 和 \texttt{IMRPhenomPv3}（仅含主导四极辐射模式），以及 \texttt{IMRPhenomPv3HM} 和 \texttt{NRHybSur3dq8}（还考虑高阶模式）。每个数据集样本都被注入对应于 LIGO-Virgo-KAGRA (LVK) 合作第三观测运行的探测器噪声中。我们确定时序卷积网络（TCN）架构在训练与验证损失以及无过拟合方面为总体最佳表现者。不同数据集间结果比较表明，用于创建数据集的波形近似式的选择会制约训练网络的特征提取能力。因此，在构建神经网络训练数据集时应谨慎，因为某些近似式可能导致评估指标更好的网络收敛。然而，该性能未必转化为对数值相对论模拟更忠实的数据。我们还将该网络应用于 LVK 运行中的实际信号，发现其特征提取性能在真实数据上同样有效。
引用
@article{arxiv.2307.16668,
title = {Comparison of neural network architectures for feature extraction from binary black hole merger waveforms},
author = {Osvaldo Gramaxo Freitas and Juan Calderón Bustillo and José A. Font and Solange Nunes and Antonio Onofre and Alejandro Torres-Forné},
journal= {arXiv preprint arXiv:2307.16668},
year = {2024}
}
备注
Fixed Fig. 7 not being rendered