面向中间质量黑洞二元系统引力波搜索中深度学习模型对预旋进的鲁棒性研究

中间质量黑洞二元系统的引力波搜索受到探测器故障的阻碍，因为恒星质量系统的质量更大，导致当前一代探测器无法观测到二体演化的早期相位。这使得波形在类似持续时间和频率带内强烈地类似于故障。此外，二体黑洞的轨道平面预旋进可能会进一步扭曲信号波形。本文介绍了三种用于区分信号与故障的神经网络分类器，每种分类器遵循不同的训练方案以研究预旋进对分类器的影响。尽管所有分类器都表现出高度准确的性能，但表现最佳的分类器是遵循课程学习原则训练的，即只有在掌握更简单前导示例后，才会引入新的示例。该分类器在由 O3 LIGO Hanford 功率谱密度注入的彩色噪声中构成的合成测试集上获得约 95% 的准确率。该模型被与匹配滤波——即模型引力波搜索的先进技术进行比较，并分析其对黑洞二元参数的特定灵敏性。发现尽管分类器受总质量影响，但误分类的预测主要由信噪比决定。对三种分类器的分析表明，预旋进的处理方式取决于训练方案，表明该体系结构对预旋进并不完全稳健，仍可通过开发训练程序来实现进一步改进。