利用深度学习检测与去噪双黑洞引力波信号

我们提出了一种配置为自编码器的卷积神经网络，能够检测并去噪来自黑洞并合的天体物理引力波，其速度比当前先进LIGO (aLIGO) 所采用的基于匹配滤波的传统检测方法快数个数量级。该神经网络架构从数据在时频域中的稀疏表示学习，并构建非线性映射函数，将该表示映射为信号与噪声两个独立的掩码，从而从原始数据中分离二者。该方法首次将基于机器学习的引力波检测/去噪应用于引力波数据的二维表示。我们将该形式体系应用于首个被探测到的引力波事件 GW150914，成功在两个探测器上恢复了并合三个阶段的信号。该方法进一步在 aLIGO 第二次观测运行 ($O2$) 的引力波数据上测试，复现了 $O2$ 中两个 aLIGO 探测器所探测到的所有双黑洞并合事件。该神经网络似乎发现了并合铃宕阶段之后的一种“振铃”模式，而这一特征并不存在于传统的双黑洞并合模板中。该方法还能在建模模板之间进行插值与外推，探索未建模、因而未出现在匹配滤波检测流程所用信号模板库中的引力波。随着地面探测器达到设计灵敏度，此类更快且高效的检测方案将发挥关键作用，有望在数月观测运行中产生数百个潜在探测事件。