卷积神经网络：引力波探测的灵丹妙药？

在过去几年中，机器学习技术，特别是卷积神经网络，已被研究作为替代或补充传统匹配滤波技术的方法，后者用于探测合并黑洞的引力波特征。然而，迄今为止，这些方法尚未成功应用于 Advanced LIGO 与 Virgo 引力波天文台记录的长时段数据分析。在这项工作中，我们批判性地考察了卷积神经网络作为搜索合并黑洞工具的使用。我们指出了该方法的优势与局限，强调了在机器学习与引力波天文学之间转换时的一些常见陷阱，并讨论了跨学科挑战。特别地，我们详细解释了为何仅凭卷积神经网络不能用于宣称具有统计显著性的引力波探测。然而，我们展示了它们仍可用于在数据中对潜在信号的时间点进行快速标记，以便更详细的后续分析。我们的卷积神经网络架构以及所提出的性能指标比标准二元分类方案更适用于此任务。在 Advanced LIGO 数据上对我们方法的详细评估展示了此类系统作为触发生成器的潜力。最后，我们通过构造对抗样本发出警示，其展示了我们模型有趣的“失效模式”，即与真实引力波信号无明显相似性的输入被网络以高置信度识别为信号。