基于卷积神经网络引力波探测器中的非线性噪声回归
天体物理仪器与方法
2021-11-08 v1 广义相对论与量子宇宙学
仪器与探测器
摘要
目前，像 Advanced LIGO 这样的引力波（GW）探测器在 60 Hz 以下的灵敏度受到来自辅助自由度的控制噪声的限制，这些噪声非线性地耦合到主 GW 读出端。解决这种污染的一种特别有前景的方法是利用基于机器学习的卷积神经网络（CNN）进行非线性噪声抑制，我们在本研究中详细考察了该方法。由于在多数情况下噪声耦合是双线性的，并且可视为若干快速通道的输出被某些慢速通道调制，我们展示了可以利用该物理系统的知识，并在 CNN 的设计中采用显式的“慢×快”结构以提升其噪声减去性能。随后我们考察了目标通道（即主 GW 读出端）和辅助传感器中信号-to-噪声比（SNR）的要求，以便将噪声降低至少数倍。在目标通道 SNR 有限的情况下，我们进一步证明，如果我们采用课程学习技术，CNN 仍可达到良好性能，而在实际中这可以通过结合宁静时段的数据与有源噪声注入时段的数据来实现。
引用
@article{arxiv.2111.03295,
title = {Nonlinear noise regression in gravitational-wave detectors with convolutional neural networks},
author = {Hang Yu and Rana X. Adhikari},
journal= {arXiv preprint arXiv:2111.03295},
year = {2021}
}
备注
20 pages, 7 figures; contribution to "Efficient AI in Particle Physics and Astrophysics" in Frontiers in Artificial Intelligence and Frontiers in Big Data