多信使暂现源的数据驱动探测

爆炸性天体物理暂现源研究的主要挑战在于利用多信使对其探测与表征。为此，我们基于深度学习开发了一种新的数据驱动发现框架。我们展示了其在涉及中微子、光学超新星与伽马射线的搜索中的应用。我们表明，该方法可匹配或大幅优于最先进技术的性能，同时显著减少对建模与仪器表征的依赖。特别地，我们的方法面向近实时与实时分析，这对探测的有效后随观测至关重要。我们的算法旨在组合一系列仪器与不同类型的输入数据，代表不同信使、物理机制与时间尺度。该方法针对未知意外现象的不可知搜索进行了优化，并有可能大幅增强其发现前景。