利用机器学习对引力波 Malmquist 偏差进行快速、灵活且准确的评估

许多天文巡天受限于源体的亮度，引力波搜寻也不例外。并合双星的引力波可探测性受到组成致密天体的质量和自旋的影响。为了对致密双星的分布进行无偏推断，有必要考虑这一被称为 Malmquist 偏差的选择效应。由于来自选择效应的系统误差随事件数量增长，在未来几年内准确估计引力波天文学的观测选择函数将愈发重要。我们采用密度估计方法准确且高效地计算致密双星并合的选择函数。我们引入一种简单的预处理方法，显著降低了所需机器学习模型的复杂度。我们证明，在可比的计算成本下，我们的方法比当前最广泛使用的方法具有更小的统计误差，使我们能够探测更窄的自旋幅度分布。当前使用的方法使 $10-50\%$ 有趣的黑洞自旋模型无法触及；我们的新方法可探测 $>99\%$ 的模型，并对 $>80\%$ 的模型具有更低的误差。