利用残差神经网络探测宇宙事件的余迹

引力波的探测被认为是本世纪最辉煌的发现之一。由于匹配滤波流水线的高计算成本，人们正在寻找一种替代性的强大系统。我首次提出使用一维残差神经网络来探测引力波。残差网络凭借其鲁棒的结构已经变革了图像分类、人脸识别和目标检测等诸多领域。随着 LIGO 探测器灵敏度的提升，我们期望在宇宙中探测到更多引力波源。然而，深度学习网络仅训练一次。当用于分类任务时，深度神经网络被训练为仅预测固定数量的类别。因此，当要探测新型引力波时，这成为深度学习的一个缺陷。浅层神经网络可用于学习具有简单模式的数据，但随着数据复杂度的增加而无法给出良好结果。为每种新型引力波的探测重新建模神经网络是极不可行的。在本快报中，我还讨论了减少深度学习方法中适应此类引力波探测变化所需时间的方法。我的主要目标是创建一个面向一维时间序列输入的自定义残差神经网络，它能在不放弃增加类别数或增加数据复杂度的情况下从数据集中学习大量特征。我使用 LIGO 探测到的两类双体并合信号（双黑洞并合与双中子星并合信号）来检验残差结构在引力波探测上的性能。