大核卷积神经网络用于连续引力波宽参数空间搜索
广义相对论与量子宇宙学
2025-01-24 v2 天体物理仪器与方法
摘要
连续引力波（CW）宽参数空间搜索的灵敏度受限于其高计算成本。深度学习正被研究作为替代方法，用于替代CW搜索的各个环节。在先前工作arXiv:2305.01057[gr-qc]中，提出了用于CW深度神经网络（DNN）搜索的新设计原则，并训练此类DNN以匹配滤波灵敏度执行目标搜索。在本文中，我们调整这些设计原则，构建了一个DNN架构，用于在两个探测器（H1和L1）的10天数据中进行宽参数空间搜索。我们为每个基准案例训练一个DNN：六个全天区搜索和搜索频段20–1000 Hz中不同频率的八个定向搜索。我们将结果与Dreissigacker和Prix（arXiv:2005.04140[gr-qc]）的DNN灵敏度进行比较，发现我们训练的DNN在所有情况下都更灵敏。在全天区案例中，检测概率的绝对提升从20 Hz处的6.5%到1000 Hz处的38%，在定向案例中从20 Hz处的1.5%到500 Hz处的59.4%。在整个搜索频段20–1000 Hz上训练的全天区DNN在所有频率上均表现出高灵敏度，为训练单个DNN执行整个搜索提供了概念验证。我们还研究了DNN性能对不同信号幅度、频率的泛化能力，以及DNN灵敏度对天区位置的依赖关系。
引用
@article{arxiv.2408.07070,
title = {Large-kernel Convolutional Neural Networks for Wide Parameter-Space Searches of Continuous Gravitational Waves},
author = {Prasanna Mohan Joshi and Reinhard Prix},
journal= {arXiv preprint arXiv:2408.07070},
year = {2025}
}
备注
10 pages, 4 figures