基于量化神经网络的深度学习用于偏心致密双星并合的引力波预报
广义相对论与量子宇宙学
2021-10-19 v2
摘要
我们首次将深度学习预报应用于涵盖偏心率范围 e <= 0.9 的双中子星、中子星-黑洞系统以及双黑洞并合。我们训练描述这些天体物理群体的神经网络，随后通过在 \texttt{Gravitational Wave Open Science Center} 提供的高级 LIGO 噪声中注入模拟偏心信号来测试其性能，以：1) 量化神经网络在双星组分并合前多快识别出这些信号；2) 量化一旦引力波被识别，神经网络估计并合时间的准确程度；3) 从早期探测到并合估计这些事件随时间变化的天区定位。我们的结果表明，深度学习可在并合前数秒（双黑洞）至数十秒（双中子星）识别出偏心信号。我们神经网络的量化版本实现了模型尺寸 4 倍缩减，以及高达 2.5 倍的推理加速。这些新颖算法可用于促进致密双星在致密恒星环境中的时间敏感型多信使天体物理观测。
引用
@article{arxiv.2012.03963,
title = {Deep Learning with Quantized Neural Networks for Gravitational Wave Forecasting of Eccentric Compact Binary Coalescence},
author = {Wei Wei and E. A. Huerta and Mengshen Yun and Nicholas Loutrel and Md Arif Shaikh and Prayush Kumar and Roland Haas and Volodymyr Kindratenko},
journal= {arXiv preprint arXiv:2012.03963},
year = {2021}
}
备注
14 pages, 7 figures