LSTM 与 CNN 在引力波实测数据中搜寻核坍缩超新星的应用

$背景.$ 核坍缩超新星 (CCSNe) 预期会发射引力波信号，可被当前及未来一代干涉仪在银河系及邻近星系内探测到。CCSNe 信号随机的本质要求采用匹配滤波之外的替代探测方法。 $目的.$ 我们旨在展示机器学习 (ML) 对使用真实数据的不同 CCSNe 模拟信号与噪声瞬态进行多标签分类的潜力。我们比较了一维和二维卷积神经网络 (CNNs) 在单探测器和多探测器数据上的性能。我们首次使用长短期记忆 (LSTM) 网络测试了多标签分类。 $方法.$ 我们应用了针对 CCSNe 信号的搜寻与分类流程，使用事件触发生成器 Wavelet Detection Filter (WDF) 与 ML 耦合。我们将数据的时间序列和时频表示作为 ML 模型的输入。为计算分类精度，我们在可探测距离 1\,kpc 处，将近期中微子驱动核坍缩流体动力学模拟获得的 CCSN 波形同时注入 O2 LIGO 和 Virgo 科学运行的干涉仪噪声中。 $结果.$ 我们比较了三种模型在单探测器数据上的性能。随后合并模型输出用于噪声与天体物理瞬态的单探测器分类，获得 LIGO ($\sim99\%$) 和 Virgo ($\sim80\%$) 的总体精度。我们将分析扩展到多探测器情形，使用三个 ITF 间符合的触发，实现了 $\sim98\%$ 的精度。