利用残差神经网络分类核心坍缩超新星引力波的高频发射
高能天体物理现象
2025-11-25 v2 天体物理仪器与方法
广义相对论与量子宇宙学
摘要
我们提出了一种新方法来探索核心坍缩超新星中来自原中子星的主导的、频率上升的引力波发射——高频特征（HFF）的形态。我们使用残差神经网络（ResNet50）对从时频Morlet小波尺度图构建的图像样本进行多类分类。我们定义了一个三类问题，根据物理信息范围将HFF斜率分类为陡峭、中等或低。ResNet50模型使用注入LIGO-Virgo O3b观测运行真实噪声中的现象学波形进行优化，然后使用嵌入相同真实噪声中的数值模拟CCSN波形进行测试。在1 kpc和5 kpc的银河距离下使用H1和L1数据，以及1 kpc下使用V1数据，我们获得了高度准确的结果（测试准确率从0.8933到0.9867），表明了我们方法的可行性。对于更远的距离，我们观察到测试准确率下降，在10 kpc下使用H1和L1数据时降至0.8000，在10 kpc下使用V1数据时降至0.5933，我们将其归因于输入数据集的局限性。我们的方法足够通用，能够实现真实干涉数据中HFF的早期表征。
引用
@article{arxiv.2406.00422,
title = {Residual neural networks to classify the high frequency emission in core-collapse supernova gravitational waves},
author = {Manuel D. Morales and Javier M. Antelis and Claudia Moreno},
journal= {arXiv preprint arXiv:2406.00422},
year = {2025}
}
备注
42 pages, 15 figures, 8 tables