基于LIGO数据实时探测引力波与参数估计的深度学习

近期获诺贝尔奖的来自黑洞并合的引力波探测，以及随后与电磁观测相符的两颗中子星碰撞的探测，开启了多信使天体物理的新时代。为拓展这一新兴科学的范围，我们提出使用深度卷积神经网络实时探测与刻画引力波信号。该方法（Deep Filtering）最初利用模拟LIGO噪声演示。在本文中，我们展示了Deep Filtering利用LIGO首次观测运行真实数据的扩展，用于对来自双黑洞并合的引力波进行探测与参数估计，数据来自多个LIGO探测器的连续数据流。我们首次表明机器学习可探测并估计LIGO观测到的真实引力波事件的真实参数。我们的比较显示，Deep Filtering比匹配滤波计算效率高得多，同时保持相似灵敏度与更低误差，能以最少资源实时处理非平稳非高斯噪声中的弱时间序列信号，并能够探测现有探测算法可能忽略的新型引力波源。该方法独特地适用于实现引力波与其多信使对应体实时符合探测。