利用自监督学习提取引力波观测数据中的非高斯特征
广义相对论与量子宇宙学
2025-03-11 v2 宇宙学与河外天体物理
天体物理仪器与方法
摘要
我们提出了一种自监督学习模型，用于在不依赖波形信息的情况下对时间序列应变数据中的引力波 (GW) 信号进行去噪。对引力波数据进行去噪是基于机器学习的数据分析技术的关键中间步骤，因为它可以简化下游任务（如探测和参数估计）的模型。我们使用了盲点神经网络，并将注入引力波信号的白化应变数据同时作为输入数据和目标进行训练。在高斯噪声模型的假设下，我们的模型成功地对 H1 数据中 38% 的双黑洞并合引力波信号以及 L1 数据中 49% 的信号进行了去噪，这些信号是在 O1、O2 和 O3 观测运行中探测到的，且重叠度大于 0.5。我们还测试了该模型提取 glitch 特征、并合前几秒的响亮致密双星并合旋进信号以及训练期间未见过的核心坍缩超新星 (CCSN) 信号的潜力。
引用
@article{arxiv.2403.04350,
title = {Extract non-Gaussian Features in Gravitational Wave Observation Data Using Self-Supervised Learning},
author = {Yu-Chiung Lin and Albert K. H. Kong},
journal= {arXiv preprint arXiv:2403.04350},
year = {2025}
}
备注
41 pages, 17 figures in the main article, and 43 figures in the appendix. Under revision in Physical Review D