评估用于超新星引力波信号分类的机器学习模型
高能天体物理现象
2025-01-07 v2 广义相对论与量子宇宙学
摘要
我们研究了利用旋转核坍缩超新星的引力波（GW）信号探测核物质状态方程（EOS）的潜力。通过从使用各种 EOS 的模拟中生成 GW 信号，我们训练机器学习模型对其进行分类并评估其性能。我们的研究建立在先前工作的基础上，考察了不同的机器学习模型、参数和数据预处理技术如何影响分类准确率。我们测试了卷积和循环神经网络，以及六种经典算法：随机森林、支持向量机、朴素贝叶斯、逻辑回归、-近邻和极限梯度提升。除朴素贝叶斯外，所有模型在我们的数据集上均达到了 90% 以上的准确率。此外，我们评估了使用广义相对论有效势（GREP）近似 GW 信号对 EOS 分类的影响。我们发现基于 GREP 数据训练的模型表现出较低的分类准确率。然而，通过峰值信号频率对时间进行归一化，部分弥补了 GREP 中时间膨胀效应的缺失，导致准确率显著提高。尽管如此，准确率并未超过 70%，表明 GREP 缺乏 EOS 分类所需的精度。最后，我们的研究存在若干局限性，包括未考虑探测器噪声以及仅关注单一前身质量模型，这些将在未来的工作中加以解决。
引用
@article{arxiv.2409.14508,
title = {Evaluating Machine Learning Models for Supernova Gravitational Wave Signal Classification},
author = {Y. Sultan Abylkairov and Matthew C. Edwards and Daniil Orel and Ayan Mitra and Bekdaulet Shukirgaliyev and Ernazar Abdikamalov},
journal= {arXiv preprint arXiv:2409.14508},
year = {2025}
}
备注
Accepted for publication in Machine Learning: Science and Technology