利用深度学习快速识别双黑洞时频域引力波信号

深度学习技术的近期发展为识别引力波（GW）信号的传统匹配滤波方法提供了替代且互补的途径。快速而准确地识别GW信号对GW物理和多信使天文学的进展至关重要，特别是考虑到即将到来的LIGO-Virgo-KAGRA第四和第五次观测运行。在本工作中，我们使用2D U-Net算法识别来自恒星级双黑洞（BBH）并合的时频域GW信号。我们模拟了组分质量从5到80 $M_{\odot}$ 的BBH并合，并计入LIGO探测器噪声。我们发现第一次和第二次观测运行中的GW事件均可被清晰且快速地识别。对于第三次观测运行，约 $80\%$ 的GW事件可被识别。特别是，目前未知的GW190814是一个可被该网络识别的特殊案例，而其他双中子星并合和中子星-黑洞并合则无法被识别。与传统卷积神经网络相比，U-Net算法可输出时频域信号图像而非概率，提供更直观的研究。此外，U-Net的部分结果可对啁啾质量信息提供初步推断。总之，U-Net算法可快速识别来自BBH并合的时频域GW信号，并可能对未来参数推断有所帮助。