解释用于探测引力波的机器学习模型

我们描述了一个转化研究的案例研究，将计算机视觉中开发的可解释性技术应用于用于搜索和发现引力波的机器学习模型。我们所研究的模型经过训练，用于在非高斯且非平稳的先进激光干涉引力波天文台（LIGO）数据中探测黑洞并合事件。我们生成了机器学习模型在处理包含真实引力波信号、噪声异常以及纯先进 LIGO 噪声的先进 LIGO 数据时的响应可视化。我们的发现揭示了这些机器学习模型中单个神经元的响应。进一步的分析表明，网络的不同部分似乎专门处理局部特征与全局特征，并且这种差异似乎根植于网络的分支架构以及 LIGO 探测器的噪声特性。我们相信对这些“黑箱”模型进行白化的努力可以启示未来的研究途径，并有助于为引力波天体物理学设计可解释的机器学习模型提供信息。