基于机器学习的引力波背景检测

从主导探测器噪声中提取微弱的引力波背景（GWB）信号并消除其 %diverse astrophysical 和 cosmological 组成，仍是传统方法（如交叉相关分析）面临的重大挑战。我们提出了一种新型混合方法，将深度学习与贝叶斯推断结合，用于比当前技术更快地识别和表征 GWB。该方法利用定制设计的多尺度多头自编码器（MSMHAutoencoder）架构分离 GWB 信号与探测器噪声，随后使用马尔可夫链蒙特卡洛参数估计消除 GWB 组成。使用代表 LIGO-Virgo-KAGRA 网络在设计灵敏度下的模拟数据，我们展示 MSMHAutoencoder 能以高置信度（对数噪声贝叶斯因子为 3）检测来自双黑洞合并的 GWB，其相对能量密度为 $\Omega_{\text{BBH}} \approx 10^{-9}$，频率为 25 Hz。当存在此类天体物理 GWB 时，我们可同时测量更淡微的宇宙成分，其相对能量密度为 $\Omega_{\text{Cosmo}} \approx 1.3 \times 10^{-10}$，仅需 47.4 天训练数据。