GWSkyNet-Multi：用于 LIGO-Virgo 公共警报的机器学习多类分类器
天体物理仪器与方法
2022-03-30 v1
摘要
能够同时产生可探测引力波与电磁辐射的致密天体并合，可为中子星状态方程、哈勃常数张力以及 r-过程元素的起源提供宝贵见解。然而，引力波源的电磁后续观测受到误报探测、不发光源以及相关电磁辐射瞬变特性的困扰。GWSkyNet-Multi 是一个机器学习模型，试图通过提供引力波探测源实的实时预测来解决这些问题。该模型利用 LIGO-Virgo 在引力波探测后数分钟内发布的开放公共警报（OPA）中的信息。GWSkyNet 最初在 Cabero 等人（2020）中作为二分类器提出，使用 OPA 天图将源分类为天体物理源或故障（glitch）。在本文中，我们介绍 GWSkyNet-Multi，即 GWSkyNet 的新版本，它进一步将源区分为双黑洞并合、涉及中子星的并合或探测器中的非天体物理故障。GWSkyNet-Multi 是一系列三个一对多分类器，使用类别平衡且受物理动机驱动的来源质量分布进行训练。在该数据集上训练，我们获得 BBH-对全部 94%、NS-对全部 94% 以及故障-对全部 95% 的测试集准确率。使用分层分类方案，我们获得 93% 的总体准确率。此外，我们正确识别了 LIGO-Virgo 第三次观测运行（O3a）前半段的 40 个引力波探测中的 36 个，并给出了对 O3b 源的预测。我们还简要讨论了模型的可解释性。随着引力波探测数量和频率的增加，GWSkyNet-Multi 将成为优先成功电磁后续观测的有力工具。
引用
@article{arxiv.2111.04015,
title = {GWSkyNet-Multi: A Machine Learning Multi-Class Classifier for LIGO-Virgo Public Alerts},
author = {Thomas C. Abbott and Eitan Buffaz and Nicholas Vieira and Miriam Cabero and Daryl Haggard and Ashish Mahabal and Jess McIver},
journal= {arXiv preprint arXiv:2111.04015},
year = {2022}
}
备注
12 pages, 7 figures, submitted to ApJ