基于频域深度学习的引力波信号并合质量估计
广义相对论与量子宇宙学
2020-10-28 v2 天体物理仪器与方法
摘要
对来自致密双星并合的引力波（GW）的探测为多信使天体物理学提供了一扇新窗口。确定并合参数的标准技术是匹配滤波，即把信号与模板库进行比较。由于需要分析的实验数据量巨大，这种方法可能耗时且计算昂贵。为寻找更高效的数据分析方法，我们开发了一种新的频域卷积神经网络（FCNN），从探测器信号的谱图中预测并合质量，并将其与时域神经网络（TCNN）进行比较。由于 FCNN 使用谱图训练，其输入维度相较于 TCNN 降低，意味着模型参数数量大幅减少，从而过拟合更少。计算谱图所需的额外时间因 FCNN 参数更少而执行时间更短而得到大致补偿。在我们的分析中，FCNN 在验证数据上表现出略优的性能以及明显更低的过拟合，这正如因参数更少所预期的那样，为 GW 探测器数据分析提供了一种有前景的新方法，未来可通过使用更高效快速的谱图计算进一步改进。
引用
@article{arxiv.2004.01050,
title = {Deep learning merger masses estimation from gravitational waves signals in the frequency domain},
author = {Juan Pablo Marulanda and Camilo Santa and Antonio Enea Romano},
journal= {arXiv preprint arXiv:2004.01050},
year = {2020}
}
备注
6 pages, 10 figures, version revises and accepted by PLB