利用深度学习探测致密双星并合引力波
广义相对论与量子宇宙学
2024-06-19 v1
摘要
匹配滤波范式是天体物理致密双星并合引力波（GW）搜寻的主流方法。致密双星并合（CBC）搜寻流水线在GW探测器数据与大量解析波形之间进行匹配滤波。然而，由于所需解析波形数量庞大，匹配滤波的计算代价极高。近来，多种基于深度学习的方法已被用于识别探测器输出中的GW信号，作为计算昂贵的匹配滤波技术的替代方案。在以往工作中，研究者主要将GW信号探测视为分类问题，将噪声与GW信号作为两类来训练基于深度学习的架构。但本工作中，我们首次将卷积神经网络（CNN）与匹配滤波方法结合，通过减少匹配滤波操作次数来降低搜寻的计算代价。我们所实现的基于CNN的架构不仅用于信号分类，也用于识别信号在内禀参数空间中的位置。识别检测信号所处位置，使我们仅能在参数空间较小区域生成的解析波形与数据间进行匹配滤波，从而降低搜寻计算代价。我们针对恒星级到高质量双星黑洞系统的二维参数空间演示了该方法。特别地，我们能以99%的准确率对纯噪声与含噪BBH信号进行分类。此外，检测到的信号已按质量分量被细分为若干块，平均准确率>97%。
引用
@article{arxiv.2110.01883,
title = {Employing Deep Learning for Detection of Gravitational Waves from Compact Binary Coalescences},
author = {Chetan Verma and Amit Reza and Dilip Krishnaswamy and Sarah Caudill and Gurudatt Gaur},
journal= {arXiv preprint arXiv:2110.01883},
year = {2024}
}