深度学习连续引力波

我们提出一项原理验证研究，使用深度神经网络（DNNs）作为从未知自旋中子星搜索连续引力波（CWs）的新方法。当前宽参数空间 CW 搜索的灵敏度受限于可用计算能力，这使得神经网络成为一种值得研究的有趣替代方案，因为它们一旦训练完成便极快，且最近已显示对黑洞并合信号的灵敏度可与匹配滤波相媲美。我们训练了一个带残差（快捷）连接的卷积神经网络，并将其检测能力与使用 WEAVE 流水线的全相干匹配滤波搜索进行比较。作为测试基准，我们考虑两类全天空搜索，频率范围从 $20\,\mathrm{Hz}$ 到 $1000\,\mathrm{Hz}$：使用 $T=10^5\,\mathrm{s}$ 数据的“简单”搜索，以及使用 $T=10^6\,\mathrm{s}$ 的“更难”搜索。检测概率 $p_\mathrm{det}$ 在匹配滤波于高斯噪声中达到 $p_\mathrm{det}=90\%$ 的信号群体上测量。在最简单测试用例（$20\,\mathrm{Hz}$ 下 $T=10^5\,\mathrm{s}$）中，DNN 达到 $p_\mathrm{det}\sim88\%$，相对于相干匹配滤波灵敏度深度损失约 $5\%$。然而，在更高频率和更长观测时间下 DNN 检测能力降低，直到最难情况（$1000\,\mathrm{Hz}$ 下 $T=10^6\,\mathrm{s}$）中 $p_\mathrm{det}\sim13\%$ 且灵敏度深度损失约 $66\%$。我们通过测试频率、自旋下降和信号强度不同于训练数据的信号来研究 DNN 的泛化能力。我们观察到优异的泛化：仅五个网络，每个在不同频率上训练，便能覆盖搜索的整个频率范围。