MLGWSC-1：首届机器学习引力波搜寻模拟数据挑战赛
天体物理仪器与方法
2023-02-08 v1 高能天体物理现象
机器学习
广义相对论与量子宇宙学
摘要
我们呈现首届机器学习引力波搜寻模拟数据挑战赛（MLGWSC-1）的结果。在本挑战赛中，参赛团队须从复杂度与持续时间递增、嵌入渐趋真实噪声的双黑洞并合引力波信号中辨识出信号。所提供的 4 个数据集中，最后一个包含来自 O3a 观测运行的真实噪声，以及时长最长达 20 秒、含进动效应与高阶模的信号。我们给出了 6 个提交算法基于参赛前对参与者未知的 1 个月测试数据所得的平均灵敏距离与运行时间，其中 4 个为机器学习算法。我们发现，在每月一个误报率（FAR）下，针对模拟高斯噪声，最优的基于机器学习的算法能够达到匹配滤波生产分析灵敏距离的 95%。相比之下，对于真实噪声，领先的机器学习搜寻达到了 70%。在更高 FAR 下，灵敏距离的差异缩小，以至于在某些数据集上，特定的机器学习提交在 FAR 每月时优于传统搜寻算法。我们的结果表明，当前的机器学习搜寻算法在有限参数区域内或已具备足够灵敏度，可用于部分生产环境。若要提升技术水平，机器学习算法需降低其能够探测信号时的误报率，并将其有效性拓展至建模搜寻计算代价高昂的参数空间区域。基于我们的发现，我们整理了一份研究领域的清单，认为这些领域对将机器学习搜寻提升为引力波信号探测中不可或缺的工具最为重要。
引用
@article{arxiv.2209.11146,
title = {MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge},
author = {Marlin B. Schäfer and Ondřej Zelenka and Alexander H. Nitz and He Wang and Shichao Wu and Zong-Kuan Guo and Zhoujian Cao and Zhixiang Ren and Paraskevi Nousi and Nikolaos Stergioulas and Panagiotis Iosif and Alexandra E. Koloniari and Anastasios Tefas and Nikolaos Passalis and Francesco Salemi and Gabriele Vedovato and Sergey Klimenko and Tanmaya Mishra and Bernd Brügmann and Elena Cuoco and E. A. Huerta and Chris Messenger and Frank Ohme},
journal= {arXiv preprint arXiv:2209.11146},
year = {2023}
}
备注
25 pages, 6 figures, 4 tables, additional material available at https://github.com/gwastro/ml-mock-data-challenge-1