DeepExtractor：基于深度学习的引力波数据信号与 glitch 时域重构

引力波探测器如 LIGO、Virgo 和 KAGRA 用于探测来自遥远天体事件的微弱信号。然而，其高度灵敏度也使其易受背景噪声影响，这些噪声可能遮蔽这些信号。此类噪声常包括称为 'glitch' 的瞬态伪影，可能模拟真实天体信号或掩盖其真实特征。在本研究中，我们提出了 DeepExtractor，一种深度学习框架，用于重构引力波探测器中功率超过噪声的信号与 glitch。我们设计 DeepExtractor 以遵循惯常假设——噪声在短时间尺度上为高斯且平稳——来建模引力波探测器内在噪声分布。它通过预测数据中的噪声分量来实现工作，仅保留信号或 glitch 的干净重构。我们关注与 glitch 相关的应用，并通过三个实验验证 DeepExtractor 的有效性：(1) 将仿真 glitch 注入仿真探测器噪声中进行重构；(2) 将其性能与最先进的 BayesWave 算法进行比较；(3) 分析来自 Gravity Spy 数据集的真实数据，演示其有效地从 LIGO 应变数据中执行 glitch 减法。我们进一步通过对 LIGO 第三次观测运行中三个真实 GW 事件的重构表明其潜力——这些事件在训练时未接触过 GW 波形。我们提出的模型对仿真 glitch 实现仅 0.9% 的中位数不匹配，优于多个深度学习基线方法。此外，DeepExtractor 在 glitch 恢复方面超越 BayesWave，实现了显著的计算加速：在 CPU 上处理单个 glitch 样本仅需约 0.1 秒，而 BayesWave 需要约一小时。