利用深度学习提升 Advanced LIGO 数据中双黑洞并合显著性：GW151216 的确认

我们提出一种新颖的基于机器学习（ML）的策略，用于在地面引力波（GW）观测台数据中搜寻双黑洞（BBH）并合。这是首个不仅回收了首个 GW 瞬变源目录（GWTC-1）中所有致密双星并合（CBC），而且仅通过向 GWTC-1 所用的标准分析添加一个新的符合秩统计量（MLStat）便对 GW151216 做出清晰探测的基于 ML 的搜寻。在 CBC 搜寻中，减少由地面与仪器瞬变造成的污染（其通过触发大量误报产生强噪声背景）对于提升探测真实事件的灵敏度至关重要。海量数据以及大量预期探测也促使 ML 技术的应用。我们执行迁移学习来训练预训练深度神经网络“InceptionV3”，并结合课程学习，通过分析连续小波变换（CWT）图来区分 GW 信号与噪声事件。MLStat 将该 ML 分类器的信息纳入标准 PyCBC 搜寻所用的符合搜寻似然中。这使得先前“低显著性”事件 GW151012、GW170729 和 GW151216 的逆误报率（IFAR）至少提升一个数量级。我们还使用 SEOBNRv4HM_ROM 对 GW151216 进行参数估计。我们开展注入研究以表明 MLStat 为 Advanced LIGO 对所有致密双星并合的探测灵敏度带来实质提升。对于低啁啾质量（0.8–5 Msun）灵敏体积平均提升约 10%，对于较高质量（5–50 Msun）约 30%。本工作展示了 MLStat 在当前数据中寻找新源的巨大多潜力与就绪性，以及其在类似搜寻中适配的可能性。