基于机器学习的偏心引力波旋进信号快速识别与分类

当前针对致密双星并合（CBCs）发出的引力波（GWs）的模板化搜寻，均假设双星在进入 LIGO-Virgo-KAGRA（LVK）网络灵敏频段时已圆化。然而，某些形成通道预言，在未来的观测运行（O4 及以后）中，一部分可探测双星可能以可测量的偏心率 $e$ 进入灵敏频段。利用贝叶斯参数估计方法对每个 GW 事件约束 $e$ 在计算上代价高昂且耗时。这催生了对基于机器学习的识别与分类方案的需求，该方案可将绝大多数 GW 事件筛除非偏心，并大幅缩减候选偏心 GW 的集合。作为原理验证，我们用叠加于具有 O4 代表性 \texttt{PSD} 的高斯噪声中的合成 GW 频谱图训练了一个可分离卷积神经网络（SCNN）。我们使用训练好的网络来（i）将候选者区分为偏心或非偏心（以下称为探测问题），以及（ii）将事件分类为非偏心 $(e = 0)$、中等偏心 $(e \in (0, 0.2])$ 和高偏心 $(e \in (0.2, 0.5])$。在探测问题上，我们性能最优的网络以 $0.914$ 的准确率和分别为 $0.862$ 与 $0.138$ 的真、假阳性率探测到偏心率。在分类问题上，性能最优的网络以 $0.853$ 的准确率对信号进行分类。我们发现，对于我们考虑的数据，训练好的探测器表现出近乎理想的行为。