利用 TIER：基于扩展应变表示的触发器推断提高引力波搜索灵敏度

我们介绍了一种称为 $\texttt{TIER}$ 的机器学习（ML）框架，用于提高引力波搜索管道的灵敏度。通常，搜索管道仅使用候选信号附近小区域的应变数据来构建检测统计量。然而，候选信号附近的扩展应变数据（约 $10$ 秒）也可携带有价值的互补信息。我们证明，这些信息可以通过在扩展数据上稀疏概要表示/特征上训练的 ML 分类器模型高效捕获。该框架易于训练，可与来自任何搜索管道的现有候选信号配合使用，且无需昂贵的注入 campaign。此外，本模型的输出可轻松集成到搜索管道的检测统计量中。使用 $\texttt{TIER}$ 处理来自 $\texttt{IAS-HM}$ 搜索管道的触发器，我们在 LIGO-Virgo-Kagra O3 数据中发现，可实现约 $20\%$ 的灵敏体积时间提升，提升集中在高质量和非均等质量比的区域。将本框架应用于现有数据后，显著提高了若干接近阈值的引力波候选信号的显著性，尤其在对间不稳定质量间隙和中间质量黑洞（IMBH）范围内的信号检测方面。