面向实时引力波天文学的硬件加速推理

随着首次引力波探测及其所实现的多信使观测，暂现源天文学领域经历了一场革命。在首次探测到双黑洞与双中子星并合之后，随着全球千米级干涉仪网络达到设计灵敏度，引力波天文学的计算需求预计在未来五年内至少增长两倍。随着探测器灵敏度的提升，引力波警报的实时发布将作为多信使跟进的关键赋能环节而愈发重要。在本工作中，我们报告了一种用于实时引力波数据去噪与天体物理源识别的深度学习推理的新颖实现与部署。这是通过一个通用的推理即服务（Inference-as-a-Service）模型实现的，该模型能够适应引力波数据分析的未来需求。我们的实现允许无缝集成硬件加速器，并支持使用商业或私有（专用）即服务计算。基于我们的结果，我们提出引力波天文学中低延迟与离线计算的一种范式转变。此种转变可应对峰值使用、可扩展性与可靠性方面的关键挑战，并提供特别为深度学习应用优化的数据分析平台。所实现的亚毫秒级延迟也将与任何基于机器学习的实时控制系统相关，这些系统可能在近未来及下一代地基激光干涉仪的运行中被调用，以及此类仪器的前端数据收集、分发与处理。