实现实时多信使天体物理学的深度神经网络

引力波天文学已引发了一场科学革命。为进一步拓展这一新兴领域的科学触及范围，迫切需要提升促成这些突破性发现的引力波算法的深度与速度。为助力此目标，我们引入了 Deep Filtering，一种用于端到端时间序列信号处理的全新高可扩展方法。该方法基于由两个深度卷积神经网络组成的系统，我们设计其用于分类与回归，以在极高噪声时间序列数据流中快速检测信号并估计参数。我们展示了一种噪声水平逐步增加的新型训练方案，以及两个网络之间的迁移学习过程。我们展示了该方法在双黑洞并合引力波检测与参数估计中的应用。结果表明，Deep Filtering 显著优于传统机器学习技术，其性能与匹配滤波相当，但速度快数个数量级，从而允许以极低资源实时处理原始大数据。更重要的是，Deep Filtering 拓展了地面引力波探测器可探测引力波信号的范围。该框架利用人工智能算法的最新进展以及新兴硬件架构（如深度学习优化的 GPU），以促进对引力波源及其电磁与天体粒子对应体的实时搜索。