由机器学习驱动的新型引力波发现

引力波的探测已彻底改变了我们对宇宙的理解，提供了前所未有的洞见。引力波数据分析的主要目标是使用机器学习技术加速探测和参数估计过程，因为预期将出现探测事件的激增，这将使传统方法变得不可行。本文介绍了首次由机器学习所 enabled 的网络式探测器数据中发现的新型引力波候选事件。我们讨论了ResNet基准深度学习代码AresGW的几项新改进，这些改进提高了灵敏度，包括基于不同噪声和频率滤波器的触发事件的分层分类。这些改进显著降低了误报率，使AresGW在其有效训练范围内(单个源质心质量在7至50个太阳质量之间，源脉冲质量在10至40个太阳质量之间)超过了传统管道检测到的事件数量。我们使用对数排序统计量计算AresGW检测到的事件的天体学意义，并对O3数据进行注入。此外，我们为新的候选事件展示了频谱图、参数估计和时域重构，并讨论了其属性的分布。此外，AresGW代码在各种双探测器设置下以及在O1和O2观测期间的观测数据上表现出色。我们的发现凸显了AresGW作为快速且灵敏的引力波探测算法的非凡潜力，为大量未来发现之路。