用卷积神经网络搜寻来自 glitch 脉冲星的长时瞬变引力波

机器学习可以成为在天文数据中发掘新信号类型的强有力工具。我们在此将其应用于搜寻由脉冲星 glitch 触发的长时瞬变引力波，这有望对基本未知的脉冲星内部提供物理洞见。当前搜寻此类信号的方法依赖于匹配滤波与对可能信号时长的暴力网格搜索，其灵敏度高但计算代价可能极为昂贵。我们发展了一种将匹配滤波与卷积神经网络相结合来搜寻 glitch 后信号的方法，该方法在实用搜寻相关的虚警概率下达到与标准方法相近的灵敏度，同时显著更快。我们专门针对 LIGO-Virgo O2 观测期间的天炉座（Vela）glitch，并基于两台 LIGO 探测器的数据对恒定振幅与指数衰减信号给出了引力波应变振幅的上限。