利用机器学习探测双中子星并合中的引力波信号
高能天体物理现象
2020-09-29 v2 天体物理仪器与方法
机器学习
广义相对论与量子宇宙学
摘要
当两颗中子星并合时，它们会发射出可能被地面探测器探测到的引力波。基于匹配滤波的算法传统上用于提取嵌入噪声中的微弱信号。我们引入一种新颖的基于神经网络的机器学习算法，利用引力波探测器的时序应变数据来探测来自非自旋双中子星并合的信号。对于 Advanced LIGO 设计灵敏度，我们的网络在每月 10 次误报率下的平均灵敏距离为 130 Mpc。与其他最先进的机器学习算法相比，我们发现对信噪比低于 25 的信号的灵敏度提升了 6 倍。然而，该方法尚不能与传统的基于匹配滤波的方法竞争。一项保守估计表明，我们的算法在信号到达与生成警报之间平均引入 10.2 s 的延迟。我们给出了测试过程的精确描述，其不仅可应用于基于机器学习的算法，也可应用于所有其他搜寻算法。由此我们提升了比较机器学习与经典搜寻的能力。
引用
@article{arxiv.2006.01509,
title = {Detection of gravitational-wave signals from binary neutron star mergers using machine learning},
author = {Marlin B. Schäfer and Frank Ohme and Alexander H. Nitz},
journal= {arXiv preprint arXiv:2006.01509},
year = {2020}
}
备注
14 pages, 6 figures, 1 table, supplemental materials at https://github.com/gwastro/bns-machine-learning-search