基于保持度的自编码器生成最优引力波模板库

匹配滤波用于在噪声数据中检测信号，需要能够捕捉信号波形变化同时最小化计算成本的模板库。信号波形的降维对构建高效模板库至关重要。在物理学的 various 领域中，降维通常使用线性方法（如奇异值分解 SVD）完成。但当信号在参数空间中呈现曲面、非线性流形时，SVD 可能引入冗余。另一种方法是自编码器，这是一类可用于非线性降维的神经网络。我们使用一种保持其潜在空间度量 ($g_{ij}^{\text{latent}} \approx g_{ij}^{\text{physical}}$) 的自编码器变体；这使我们能够通过简单在自编码器的低维潜在空间中放置均匀网格来构建模板库。我们将该方法用于引力波搜索的几何模板库创建，显示出与使用 SVD 基方法相比，所需维度更少。该方法也可用于其他需要降维的应用，如引力波模型、快速参数估计和模型无关的广义相对论测试。最后，我们讨论了将该方法扩展到其他领域（包括宇宙学参数估计）的可能性，并展示了在周期信号流形的极端情况下的方法测试。