紧凑双星并合引力波低延迟搜索中基于机器学习的候选信号排序

在多信使天文学时代,引力波(GW)搜索的精确天区定位与低延迟时间是成功触发对 GW 信号电磁对应体的后续观测的关键。我们在本工作中关注延迟时间,并研究采用监督机器学习(ML)方法对候选 GW 事件进行排序的可行性。我们考虑两种流行的 ML 方法:随机森林与神经网络。我们观察到,对于 $\sim$ 45,000 个评估样本,两种方法的评估时间仅需数十毫秒。我们在给定假正率下就真正率比较了两种 ML 方法与一种常规低延迟搜索方法的分类效率。比较显示,在较低假正率 $\sim 2 \times 10^{-5}$ 下,两种 ML 方法均可实现约 10% 的效率提升。我们还指出,在 $\sim 10^{-11}$Hz 假警报率下搜索灵敏度可提升约 18%。我们得出结论:采用 ML 方法对候选 GW 事件排序,是在紧凑双星并合引力波信号搜索中实现低延迟与高效率的一种有前景的途径。