利用深度学习降低引力波数据中的瞬态噪声伪迹
广义相对论与量子宇宙学
2021-07-09 v2 天体物理仪器与方法
摘要
过量的瞬态噪声伪迹，或称glitches，影响地面引力波(GW)探测器的数据质量，并损害天体物理源产生信号的探测。glitches的减缓对于改善GW信号可探测性至关重要。然而，glitches是包括光学对准系统和地震扰动减缓在内的相互关联的探测器控制系统之间短寿命线性和非线性耦合的产物，通常使得噪声耦合难以建模。因此，典型地通过将含glitches的时间段否决来减缓glitches在GW搜寻中的影响，代价是可分析数据的减少。为增加可用数据时段并改善模型化和未模型化GW信号的可探测性，我们提出一种基于机器学习的新方法，其利用监测仪器和环境条件的现场传感器/系统控制来建模噪声耦合并从GW探测器数据中减去glitches。我们发现该方法降低了数据中因glitches产生的20-70%的过量功率。通过将软件模拟信号注入数据并用未模型化GW探测流水线之一恢复它们，我们论证了glitch减缓技术的高效去除glitches且对GW信号无意外影响的鲁棒性。
引用
@article{arxiv.2105.10522,
title = {Reduction of transient noise artifacts in gravitational-wave data using deep learning},
author = {Kentaro Mogushi},
journal= {arXiv preprint arXiv:2105.10522},
year = {2021}
}
备注
65 pages, 92 figures