中子星-黑洞并合引力波的深度学习探测与分类

激光干涉引力波天文台（LIGO）与 Virgo 干涉仪合作组现已探测到全部三类致密双星并合：双黑洞（BBH）、双中子星（BNS）与中子星-黑洞（NSBH）。对于涉及中子星的并合，事件产生的引力与电磁辐射的同步观测具有更广泛的潜力，可增进我们对这些事件的理解，并探测致密物质的状态方程（EOS）。然而，引力波（GW）事件的电磁后续观测需要快速实时探测与分类 GW 信号，而传统探测方法对于下一代 GW 探测器预期探测速率而言计算代价过高。本工作中，我们给出基于深度学习的、在真实 LIGO 数据中分类 NSBH 并合 GW 信号的首次结果。我们首次表明深度神经网络可成功区分全部三类致密双星并合并将其与探测器噪声分离。具体而言，我们在约 $500,000$ 个含注入 BBH、BNS 与 NSBH GW 信号的真实 LIGO 噪声数据样本上训练卷积神经网络（CNN），并展示我们的网络具有高灵敏度与准确率。最重要的是，我们成功回收了迄今两个确认的 NSBH 事件（GW200105 与 GW200115）和迄今两个确认的 BNS 并合（GW170817 与 GW190425），以及第三版引力波瞬变源目录 GWTC-3 中约 $90\%$ 的 BBH 候选事件。这些结果是迈向低延迟实时 GW 探测、实现多信使天文学的重要一步。