面向连续引力波的新型神经网络架构

宽参数空间连续引力波（CW）搜索的高计算成本严重限制了可实现的灵敏度。这一挑战促使人们探索替代搜索方法，如深度神经网络（DNN）。先前将卷积图像分类 DNN 架构应用于全天空与定向 CW 搜索的尝试，在为期一天左右的短时搜索中展现出前景，但对于约十天的较长时长则证明无效。本文中，我们针对该局限提出一种假设，并给出克服它的新设计原则。作为概念验证，我们展示了我们新颖的卷积 DNN 架构在来自两台探测器、跨度十天的高斯数据中，对定向搜索（即单一天空位置与频率）达到了匹配滤波灵敏度。我们针对 $20 - 1000 \mathrm{Hz}$ 范围内的两个不同天空位置与五个频率说明了该性能，涵盖了从“容易”到“最难”情形的频谱。相应的灵敏度深度落在 $82 - 86 / \sqrt{\mathrm{Hz}}$ 范围内。同一 DNN 架构针对每种情形进行训练，达到匹配滤波灵敏度需时 $4 - 32$ 小时。训练后 DNN 的探测概率随信号振幅的变化与匹配滤波一致。此外，DNN 统计量分布在简单单调函数下可近似映射至 $\mathcal{F}$-统计量的分布。