基于深度学习框架的黑洞环形信号重建：处理数据缺失情况
广义相对论与量子宇宙学
2025-11-04 v1 天体物理仪器与方法
数据分析、统计与概率
摘要
我们引入 DenoiseGapFiller (DGF)，一个专为重建因数据缺失和仪器噪声损坏的引力波环形信号而设计的深度学习框架。DGF 采用双分支编码器-解码器架构，通过混合层和 Transformer 样式的块进行融合。在针对合成环形波形训练时，DGF 能够处理缺失率最高达 20% 的数据段，实现平均波形不匹配率为 0.002。时间域残余振幅大约降低了一个数量级，0.01-1 Hz 频段的功率谱密度降低 1-2 个数量级，恢复了准正交模 (QNM) 在 0.01-0.1 Hz 附近的时间-频率表示中的峰值。该模型忠实重建原始信号的能力表明，其对检测证据的惩罚更温和，参数估计的可信区间更紧，为后续科学工作奠定了基础。
引用
@article{arxiv.2511.00834,
title = {Reconstruction of Black Hole Ringdown Signals with Data Gaps using a Deep-Learning Framework},
author = {Jing-Qi Lai and Jia-Geng Jiao and Cai-Ying Shao and Jun-Xi Shi and Yu Tian},
journal= {arXiv preprint arXiv:2511.00834},
year = {2025}
}
备注
15 pages, 12 figures. Code (research prototype) available at: https://github.com/ljq2088/RingdownGapFilling/tree/master