基于深层学习的暗物质星系中引力波镜射检测
天体物理仪器与方法
2025-11-25 v2
摘要
镜射引力波(GW)为研究暗物质亚结构提供了新的窗口，但其产生的微弱干涉信号在探测器噪声中被埋没。为解决这一挑战，我们开发了一个基于残差一维卷积神经网络的深度学习框架，用于镜射GW识别，适用于多带观测。该模型直接处理来自双星 neutron 系统的多带波形，覆盖DECi-hertz Interferometer Gravitational wave Observatory(DECIGO)观测的早期轨道和Einstein Telescope(ET)观测的后期轨道，大约对应于波导和几何光学 regimes。它实现了对五类分类：纯噪声、未镜射GW以及三种代表性镜射GW，分别对应于单等势球(SIS)、圆顶等势球(CIS)和Navarro-Frenk-White(NFW)轮廓。构建了包含10^6个模拟样本的数据集，信噪比(SNR)范围为5至100。采用多带观测的深度学习模型实现了97.0%的准确率和0.97的宏平均F1分数，显著优于单探测器性能，DECIGO和ET分别达到72.8%和62.3%。即使在低SNR区间(SNR < 20)，模型准确率仍保持在63%以上；在高SNR区间(SNR > 80)，其准确率接近99.8%。这些结果表明，多带GW观测有效提升了复杂噪声环境下镜射GW的检测能力，为未来多带观测中自动识别镜射GW提供了稳健且高效的途径。
引用
@article{arxiv.2511.09107,
title = {Detection of Lensed Gravitational Waves from dark matter halos with deep learning},
author = {Mengfei Sun and Jie Wu and Jin Li and Nan Yang and Xianghe Ma and Borui Wang and Minghui Zhang and Yuanhong Zhong},
journal= {arXiv preprint arXiv:2511.09107},
year = {2025}
}