使用正规化流在噪声瞬态存在下鲁棒地推断引力波源参数

引力波（GW）检测是 fundamental physics 和 GW 天文学中的重要任务，但面临着巨大的挑战。一个重要挑战是去除称为故障的噪声瞬态人工物，这些人工物对 GW 的搜索和识别造成了很大影响。最近的研究在数据去噪方面取得了显著成果，常常使用有效的建模方法来去除故障。然而，对于来自不确定或未知来源的故障，当前方法无法从 GW 信号中完全消除它们。在本工作中，我们利用机器学习的内在鲁棒性，直接从包含故障的 GW 数据中获得可靠的后验参数分布。我们的网络模型即使在存在故障的情况下也能提供合理且快速的参数推断，而无需去除故障。我们还研究了影响正规化流网络中参数推断合理性的各种因素，包括故障参数和 GW 参数。结果表明，正规化流即使在未知污染的情况下也能对 GW 的源参数进行合理推断。我们发现，故障本身是唯一可能影响推断结果合理性的因素。通过改进我们的模型，我们预计可以加快电磁对应物的定位，并为更准确的去故障提供先验条件，从而加快后续数据处理程序。