引力波数据分析中改进的深学习技术
高能天体物理现象
2021-01-22 v2 机器学习
广义相对论与量子宇宙学
机器学习
摘要
近年来，卷积神经网络（CNN）及其他深度学习模型已逐渐引入引力波（GW）数据处理领域。相较于传统的匹配滤波技术，CNN 在 GW 信号检测任务中具有显著的效率优势。此外，匹配滤波技术基于现有理论波形的模板库，难以发现超出理论预期的 GW 信号。本文以双黑洞 GW 检测任务为基础，将批归一化（batch normalization）和丢弃法（dropout）等深度学习优化技术引入 CNN 模型，并对模型性能进行了详细研究。通过本研究，我们建议在 GW 信号检测任务的 CNN 模型中采用批归一化和丢弃法技术。此外，我们考察了 CNN 模型对 GW 信号不同参数范围的泛化能力。我们指出，CNN 模型对 GW 波形参数范围的变化具有鲁棒性。这是深度学习模型相对于匹配滤波技术的一大优势。
引用
@article{arxiv.2011.04418,
title = {Improved deep learning techniques in gravitational-wave data analysis},
author = {Heming Xia and Lijing Shao and Junjie Zhao and Zhoujian Cao},
journal= {arXiv preprint arXiv:2011.04418},
year = {2021}
}
备注
13 pages, 11 figures; accepted by PRD