用于探测极端质量比旋近的膨胀卷积神经网络
天体物理仪器与方法
2024-05-15 v3 机器学习
广义相对论与量子宇宙学
摘要
极端质量比旋近(EMRIs)的探测十分复杂，因其波形复杂、持续时间长且信噪比(SNR)低，相较于致密双星并合更难识别。基于匹配滤波的技术以计算量大著称，而现有深度学习方法主要处理时域数据，常受数据时长与SNR限制。此外，多数现有工作忽略时间延迟干涉测量(TDI)并在探测器响应计算中采用长波长近似，从而限制了处理激光频率噪声的能力。本研究引入DECODE，一种端到端模型，专注于通过在频域进行序列建模来探测EMRI信号。该模型以膨胀因果卷积神经网络为核心，在考虑TDI-1.5探测器响应的合成数据上训练，可高效处理长达一年、SNR约50的多通道TDI数据。我们在累积SNR为50至120的1年数据上评估模型，在1%假阳性率下取得96.3%的真阳性率，推理时间小于0.01秒。通过对三个EMRI信号进行可视化以展示可解释性与泛化性，DECODE在未来星基引力波数据分析中展现出强大潜力。
引用
@article{arxiv.2308.16422,
title = {Dilated convolutional neural network for detecting extreme-mass-ratio inspirals},
author = {Tianyu Zhao and Yue Zhou and Ruijun Shi and Zhoujian Cao and Zhixiang Ren},
journal= {arXiv preprint arXiv:2308.16422},
year = {2024}
}
备注
11 pages, 5 figures, and 2 tables