无模板库、由深度学习模板预测模型库驱动的引力波探测匹配滤波

现有的引力波（GW）搜寻匹配滤波方法依赖于模板库。该方法的计算效率随库中模板数量而伸缩。当第三代探测器未来投入运行时，高阶模态与偏心率将发挥重要作用。在此情形下，传统 GW 搜寻方法将遭遇计算极限。为加速 GW 搜寻的计算效率，我们提出以深度学习（DL）模型库替代模板库。该模型库预测应变数据中潜藏的模板。结合包络提取网络与天体物理起源判别网络，我们实现了一种新颖的 GW 搜寻框架。该框架可预测 GW 信号的匹配滤波信噪比（SNR）。与端到端基于 DL 的 GW 搜寻方法不同，我们的统计 SNR 比 $p_{score}$ 指标具有更强的物理可解释性。此外，我们所提方法生成的中间结果（包括预测模板）对后续的 GW 数据处理任务（如参数估计与源定位）提供了宝贵帮助。相比传统匹配滤波方法，所提方法可实现实时分析。未来稍作改进，所提方法或可扩展至其他 GW 搜寻范围，例如超新星爆发发出的 GW。