深度学习连续引力波：多探测器与真实噪声

连续引力波宽参数空间搜索的灵敏度受限于计算成本。最近研究表明，深度神经网络（DNNs）可以直接在（单探测器）应变数据上进行全天搜索，这可能提供一种低计算成本的搜索方法，从而带来更好的整体灵敏度。本文在此研究的基础上从两个方面进行扩展： 使用来自两个探测器的（模拟）应变数据， 除了全天搜索外，还针对定向（即单天空位置）搜索进行训练。对于时间跨度为 $T = 10^5\, s$ 的数据，与完全相干匹配滤波（使用 WEAVE）相比，全天双探测器 DNN 在低频（$f=20\,Hz$）处的灵敏度（在幅度 $h_0$ 上）降低了约 $7\%$，而在高频（$f=1000\,Hz$）处降低了约 $51\,\%$。在定向搜索情况下，与匹配滤波相比的灵敏度差距从 $f=20\,Hz$ 处的约 $7-14\%$ 到 $f=1500\,Hz$ 处的约 $37-49\%$。此外，我们评估了 DNN 在信号频率、自旋下降和天空位置方面的泛化能力，并测试了其在真实数据条件下的鲁棒性，即数据中的间隙和使用真实的 LIGO 探测器噪声。我们发现，测试数据中的间隙或使用相对无干扰的 LIGO 探测器数据频带代替高斯噪声，不会对 DNN 的性能产生不利影响。然而，正如预期的那样，当使用受干扰更大的 LIGO 频带进行测试时，由于误报率增加，DNN 的检测性能显著下降。