从单台到多台：一种深度学习符合引力波搜索

来自致密双星源并合的引力波现在已由地面探测器常规观测到。最灵敏的搜索算法将许多不同的预计算引力波波形与探测器数据做卷积，并寻找不同探测器间符合的匹配。机器学习正被探索作为构建搜索算法的替代方案，有望降低计算成本并针对更复杂的信号。在这项工作中，我们构建了一个双探测器引力波搜索，用于搜寻双黑洞并合，使用在单台探测器的非自旋双黑洞数据上训练的神经网络。该网络独立应用于两台观测站的数据，并检查两者之间时间符合的事件。这通过时间平移独立探测器数据，实现了对大量背景数据的高效分析。我们发现，对于单台探测器，网络保留了匹配滤波所能达到灵敏度的 $91.5\%$，而对于两台观测站该数值降至 $83.9\%$。为使网络能检查探测器中的信号一致性，我们随后构建了一组直接在来自两台探测器的数据上运行的简单网络。我们发现，这些简单的双探测器网络均无法在将网络分别应用于各探测器数据并搜索时间符合之上提升灵敏度。