利用深度学习生成奇异致密双星的引力波波形库
广义相对论与量子宇宙学
2022-03-03 v1
摘要
当前的引力波（GW）探测依赖于理论波形库的存在。因此，利用引力波发现新物理需要非标准模型的波形库，而这计算代价高昂。我们讨论如何使用深度学习框架，从（例如）数值相对论模拟获得的模拟数据集中“学习”生成新波形。具体地，我们使用生成对抗网络（GAN）的 WaveGAN 架构。作为概念验证，我们为该神经网络（NN）提供了来自奇异致密天体（Proca 星）碰撞的波形样本（>500 个），这些样本取自数值相对论模拟。将样本划分为训练集与验证集后，我们表明在经过足够多的训练轮次后，该 NN 可生成 12% 至 25% 的合成波形，其与验证集波形的重叠匹配度至少达 95%。我们还证明 NN 可用于预测新合成样本的重叠匹配分数，准确率达 90%。这些结果令人鼓舞，表明可在引力波背景下使用 GAN 进行数据增强与插值，以覆盖（例如）奇异致密双星的全参数空间，而无需密集的数值相对论模拟。
引用
@article{arxiv.2203.01267,
title = {Generating gravitational waveform libraries of exotic compact binaries with deep learning},
author = {Felipe F. Freitas and Carlos A. R. Herdeiro and António P. Morais and António Onofre and Roman Pasechnik and Eugen Radu and Nicolas Sanchis-Gual and Rui Santos},
journal= {arXiv preprint arXiv:2203.01267},
year = {2022}
}
备注
20 pages, 13 figures, 4 tables