利用简化基组和卷积神经网络消除引力波搜索中的噪声瞬态影响
天体物理仪器与方法
2024-10-22 v1
摘要
引力波探测流水线已帮助识别了超过一百例 compact binary mergers，这些 mergers 被发现于由 Advanced LIGO 和 Advanced Virgo 干涉仪收集的数据中，后者的灵敏度为引力宇宙的运作方式提供了前所未有的访问渠道。然而，探测器受到各种噪声瞬态（或故障）的影响，这些故障会污染数据。尽管探测流水线利用各种噪声缓解技术，但偶尔情况下故障可以绕过这些检查并产生误报。一类缓解技术是信号一致性检查，旨在量化观测数据与预期信号的相似性。本文描述了一种新的信号一致性检查方法，利用一组覆盖引力波信号空间的基组和卷积神经网络（CNN）来概率性地识别故障。我们将基组响应重新塑造为灰度图像，并训练 CNN 以区分具有相似形态的引力波与故障。我们发现，CNN 对其显示的响应分类准确率超过99%。我们将结果与玩具探测流水线进行比较，发现两种方法产生的误报率相似，但 CNN 的真阳性率显著更高。我们修改了玩具模型探测流水线，演示了包括网络信息后，玩具流水线的真阳性率提高了4-7%，同时将误报率降低到数据受限的下限。
引用
@article{arxiv.2410.15513,
title = {Mitigating the impact of noise transients in gravitational-wave searches using reduced basis timeseries and convolutional neural networks},
author = {Ryan Magee and Ritwik Sharma and Ananya Agrawal and Rhiannon Udall},
journal= {arXiv preprint arXiv:2410.15513},
year = {2024}
}