基于机器学习和截断波形的大质量黑洞合并事件的探测与预测
天体物理仪器与方法
2024-05-21 v1 广义相对论与量子宇宙学
摘要
我们提出了一种针对大质量黑洞二元系统的机器学习框架，用于探测由激光干涉空间天线 (LISA) 等太空式引力波探测器观测到的合并事件，并预测其未来合并时间。通过卷积神经网络分析随时间演化的时延干涉仪 (TDI) 频谱图，并利用信号功率变化触发警报实现探测。通过强化学习完成未来合并时间的预测。该算法动态地整合新数据，不断细化时间-合并预测。深度 Q 学习是方法的核心技术，利用神经网络估计观测状态空间中的 Q 值。为增强在噪声环境中的鲁棒学习，我们集成了演员-评论家机制，将动作提议与其评估分离，从而利用基于策略的学习范式和基于价值的学习范式的优势。我们利用截断波形与模板匹配获得的合并估计生成强化学习智能体的奖励。这些估计伴随不确定性，随着合并事件向未来推进，这些不确定性也随之增大。强化学习设置通过采用策略微调方法适应这些不确定性，确保即使在模板匹配精度变化的情况下，预测也能保持可靠。该算法标志着为低延迟模型提供提前警报的第一步。通过提供及时准确的合并事件预测，框架支持引力波观测与伴随的电磁信号共现的协调，从而提升多信使天文学的前景。我们采用 LISA Spritz 数据挑战进行验证。
引用
@article{arxiv.2405.11340,
title = {Detection and Prediction of Future Massive Black Hole Mergers with Machine Learning and Truncated Waveforms},
author = {Niklas Houba and Stefan H. Strub and Luigi Ferraioli and Domenico Giardini},
journal= {arXiv preprint arXiv:2405.11340},
year = {2024}
}
备注
24 pages, 22 figures