使用贝叶斯神经网络探测引力波

我们提出一种贝叶斯神经网络新模型，不仅用于探测引力波(GW)观测数据中的致密双星聚并事件，还能识别包含旋进阶段在内的事件完整时长。这是通过将贝叶斯方法引入 CLDNN 分类器实现的，该分类器将卷积神经网络(CNN)与长短期记忆循环神经网络(LSTM)集成在一起。我们的模型成功探测到 LIGO Livingston O2 数据中的全部七个 BBH 事件，并正确标注了其 GW 波形时段。贝叶斯方法的不确定性估计能力实现了一种新定义的“感知(awareness)”状态，用于识别未知类型信号的可能存在，而在非贝叶斯模型中此类信号会被拒绝。被标注为感知状态的数据块可进一步调查而非被忽略。使用 40,960 个训练样本对 512 段 8 秒真实噪声(混合最优信噪比 $0 \leq \rho_\text{opt} \leq 18$ 的模拟信号)进行的性能测试表明，当 $\rho_\text{opt} >7$ 时我们的模型识别出 90% 的事件(当 $\rho_\text{opt} >8.5$ 时为 100%)，且当 $\rho_\text{opt} >8$ 时成功标注超过 95% 的波形时段。在配备中等 GPU 的个人计算机上，未优化代码从峰值信号到达至生成带波形时段标注的警报的延迟仅约 20 秒。这使得我们的模型在借助更大数据集与先进 HPC 进行更深训练辅助下，有望实现近实时探测并预报聚并事件。