旋转核坍缩超新星的深度学习分类与参数推断

我们测试了深度学习 (DL) 技术在分析旋转核坍缩超新星 (CCSN) 引力波 (GW) 信号中的应用，具体包括对核心反弹时达到的最大（峰值）频率 ($f_{peak}$) 以及引力波应变振幅 ($\Delta h$) 与光度距离 ($D$) 的乘积 ($D \cdot \Delta h$) 进行分类和参数推断。我们的数据集构建自 Richers 等人 (2017) 汇编的数值生成 CCSN 波形目录。这些波形被注入到 Advanced Laser Interferometer Gravitational Wave Observatory 和 Advanced Virgo 探测器在 O2 和 O3a 观测运行期间的噪声中。对于网络信噪比 (SNR) 高于 5 的情况，我们使用时序数据的分类网络能够以 0.10% 的假阳性率和 98% 的准确率检测出埋藏在探测器噪声中的银河系 CCSN 引力波信号，并且能够检测所有 SNR>10 的信号。$f_{peak}$ 的推断比 $D \cdot \Delta h$ 更准确，特别是对于我们时间窗口最短 (0.25 s) 的数据集以及最小 SNR=15 的情况。根据预测值与真实值的校准图，计算了两个参数的标准差 ($\sigma$) 和相对于理想值的斜率偏差。我们发现 $\sigma_{D \cdot \Delta h} = 52.6$ cm 和 $\sigma_{f_{peak}} = 18.3$ Hz，相应的斜率偏差分别为 11.6% 和 8.3%。我们的最佳模型还在 Mitra 等人 (2023) 构建的最新 CCSN 目录（不同于训练所用目录）的波形上进行了测试。对于这些新波形，两个参数的真实值大多位于网络预测值周围的 $1\sigma$ 带内。我们的结果表明，DL 技术在推断银河系旋转 CCSN 事件的物理参数方面具有前景。