基于神经后验估计的二进制中子星惊喜前检测与特征化

随着国际引力波探测器网络灵敏度的提高，观察二进制中子星信号将更为常见。此外，由于这些信号将更为响亮，检测它们在合并前的机会也随之增加。然而，这需要高效的框架。在本工作中，我们提出了一个基于机器学习的框架，能够在惊喜过程中检测和分析二进制中子星合并。我们使用残差网络对 strain 数据进行概括，然后将其输出作为输入用于给出数据中是否存在信号概率的分类器，以及用于执行神经后验估计的 normalizing-flow 网络。我们训练一个网络用于几个最大频率，以提高估计精度。我们的框架在检测和特征化方面表现良好，随着靠近合并时间，参数估计也得到改进。因此，我们可以有效地演化精确的 sky 位置精度。这种设置对于未来的多信使搜索非常重要，因为人们希望尽早获得最精确的信息。