使用深度学习对 GW150914 进行完整参数推断

LIGO 和 Virgo 引力波天文台在过去五年中探测到了许多令人兴奋的事件。随着探测灵敏度提升，探测速率增长，这给数据分析带来了日益严峻的计算挑战。鉴于此，我们在本工作中应用深度学习技术对引力波进行快速无似然贝叶斯推断。我们训练了一个神经网络条件密度估计器，以在给定多个探测器的应变数据下，对双黑洞系统参数的完整 15 维空间上的后验概率分布进行建模。我们使用标准化流方法——具体为神经样条标准化流（neural spline normalizing flow）——其允许快速采样和密度估计。网络训练是无似然的，需要从数据生成过程中采样，但无需似然评估。通过训练，网络学习到一组全局后验：它可以为任何与训练所用先验和探测器噪声特性一致的应变数据，每秒生成数千个独立后验样本。通过在 GW150914 时刻估计的探测器噪声功率谱密度进行训练，并以事件应变数据为条件，我们利用神经网络生成了与传统采样技术分析一致的准确后验样本。