机器学习在真实搜索中探测中子星长时瞬变引力波的有效性如何？
天体物理仪器与方法
2021-05-25 v1 数据分析、统计与概率
摘要
我们针对卷积神经网络（CNN）探测来自孤立中子星、持续时间为 的长时瞬变引力波信号的有效性进行了全面研究。我们确定CNN对不同于训练集的信号形态具有鲁棒性，且不需要大量训练注入/数据即可保证良好的探测效率与低误报概率。事实上，我们仅需在单个150 Hz频带上的信号/噪声图上训练一个CNN；之后，该CNN可在任意频带良好区分信号/噪声，尽管由于LIGO/Virgo中的非平稳噪声而具有不同效率和误报概率。我们证明，可通过在CNN输出上选择最优阈值来控制CNN的误报概率，该阈值似乎与频率相关。最后，我们将网络的探测效率与一种成熟算法——广义频率霍夫（GFH）进行比较，后者将时/频平面中的曲线映射为关联源初始频率/自旋下降的平面中的直线。网络具有与GFH相近的灵敏度，但运行速度快数个数量级，并能探测GFH盲探的信号。利用我们的分析结果，我们提出将CNN应用于使用LIGO/Virgo数据的真实搜索的策略，以克服我们将遇到的障碍，例如有限的训练数据量。随后我们使用我们的网络与策略对GW170817的残骸进行真实搜索，这使机器学习方法首次被应用于搜索来自孤立中子星的引力波信号。
引用
@article{arxiv.1909.02262,
title = {How effective is machine learning to detect long transient gravitational waves from neutron stars in a real search?},
author = {Andrew L. Miller and Pia Astone and Sabrina D'Antonio and Sergio Frasca and Giuseppe Intini and Iuri La Rosa and Paola Leaci and Simone Mastrogiovanni and Federico Muciaccia and Andonis Mitidis and Cristiano Palomba and Ornella J. Piccinni and Akshat Singhal and Bernard F. Whiting and Luca Rei},
journal= {arXiv preprint arXiv:1909.02262},
year = {2021}
}