使用深度学习探测爱因斯坦望远镜中双黑洞的引力波信号
天体物理仪器与方法
2023-01-04 v3
摘要
第三代引力波（GWs）爱因斯坦望远镜（ET）探测器预期的数据量将使匹配滤波等传统引力波搜索方法不切实际。这是由于所需模板库庞大以及波形建模的困难。相比之下，机器学习（ML）算法已显示出作为引力波数据分析有前景的替代方案，其中 ML 可用于开发用于引力波源探测、去噪与参数估计的半自动与自动工具。相较于第二代探测器，ET 将具有更宽的可及频带以及更低的噪声。ET 对双黑洞（BBHs）与双中子星（BNSs）的探测率将分别达到每年约 1e5–1e6 与 7e4。本工作中，我们探索使用卷积神经网络（CNNs）在淹没于高斯噪声的合成引力波信号中探测双黑洞并合的可能性与效率。数据依据 ET 参数使用开源工具生成。在未进行数据白化或带通滤波的情况下，我们训练了计算机视觉中具备最先进性能的四种 CNN 网络，即 VGG、ResNet 与 DenseNet。ResNet 性能显著更优，对信噪比（SNR）≥8 的 BBH 源探测准确率达 98.5%，对 SNR 范围 7–8、6–7、5–6 与 4–5 的源准确率分别为 92.5%、85%、60% 与 62%。在定性评估中，ResNet 能在 60 Gpc 处以 4.3 SNR 探测到双黑洞并合。研究还表明，在长时间序列数据上将 CNN 用于双黑洞并合计算高效，可用于近实时探测。
引用
@article{arxiv.2211.13789,
title = {Detection of Einstein Telescope gravitational wave signals from binary black holes using deep learning},
author = {Wathela Alhassan and Tomasz Bulik and Mariusz Suchenek},
journal= {arXiv preprint arXiv:2211.13789},
year = {2023}
}
备注
8 pages, 7 figures, accepted for publication in MNRAS