利用深度学习进行并合大质量黑洞双星参数推断
天体物理仪器与方法
2023-09-07 v1 广义相对论与量子宇宙学
摘要
在 2030 年代，随着激光干涉空间天线、太极和天琴等多个空间引力波探测器开启毫赫兹引力波天文学窗口，引力波（GW）观测的新时代将会到来。这些探测器有望探测到由不同源发出的大量引力波信号。以较低计算成本恢复这些源的参数，是引力波数据分析的一项艰巨任务。通常，匹配滤波方法需要为所有可分辨源探索广阔的参数空间，由于引力波波形模板的生成而带来巨大代价。为缓解这一挑战，我们尝试利用深度学习对并合大质量黑洞双星（MBHB）进行参数推断。本工作训练的模型能够在约二十秒内为 MBHB 的红移总质量、质量比、并合时间和光度距离生成 50,000 个后验样本。我们的模型可作为一种有力的数据预处理工具，对于信噪比大于 100 的 MBHB 信号，将参数空间体积缩减四个数量级以上。此外，该模型在处理含多个 MBHB 信号的输入数据时表现出鲁棒性。
引用
@article{arxiv.2307.14844,
title = {Parameter inference for coalescing massive black hole binaries using deep learning},
author = {Wen-Hong Ruan and He Wang and Chang Liu and Zong-Kuan Guo},
journal= {arXiv preprint arXiv:2307.14844},
year = {2023}
}
备注
8 pages, 4 figures