用 THAMES 捕捞大质量黑洞双星

致密环境中的层级并合是中等质量黑洞（IMBH）双星系统的主要形成渠道之一。我们预计由此产生的大质量双星系统将表现出质量不对称性。由于不同模式的叠加，发射的引力波（GW）包含高阶模式的显著贡献，因此具有复杂的波形形态。此外，IMBH 双星在 LIGO 探测器中表现出较低的并合频率和较短的信号持续时间，这增加了它们被误分类为短时噪声毛刺的风险。可以训练深度学习算法来区分噪声毛刺和短时引力波瞬变信号。我们提出了 $\mathtt{THAMES}$——一种基于深度学习的端到端信号检测算法，用于先进引力波探测器中来自准圆、近边缘、质量不对称 IMBH 双星的引力波信号。我们的研究表明，对于高质量不对称、近边缘的 IMBH 双星，它的性能优于基于匹配滤波的 $\mathtt{PyCBC}$ 搜索。在 100 年 1 次的误报率下，对于质量比 $q \in (5, 10)$，相对于 $\mathtt{PyCBC-IMBH}$（$\mathtt{PyCBC-HM}$）搜索，其敏感体积-时间乘积的最大增益为 5.24（2.92）倍。与广泛的 $\mathtt{PyCBC}$ 搜索相比，对于 $q \in (10,18)$，该因子约为 100。体积灵敏度飞跃的原因之一是其能够区分具有复杂波形形态的信号和噪声瞬变，这清楚地证明了深度学习算法在引力波天文学领域探测复杂信号形态的潜力。使用当前的训练集，对于质量比 $q \in (5, 10)$ 且探测器帧总质量 $M_T(1+z) \in (100,200)~M_\odot$ 的中等质量黑洞双星，$\mathtt{THAMES}$ 的性能略逊于基于 $\mathtt{PyCBC}$ 的搜索。