SiGMa-Net：用于区分双黑洞信号与短时长噪声瞬变体的深度学习网络
广义相对论与量子宇宙学
2023-01-31 v1 天体物理仪器与方法
数据分析、统计与概率
摘要
Blip故障(一种LIGO--Virgo数据中的短时长噪声瞬变体)是双黑洞(BBH)搜寻的一大困扰。它们显著影响BBH搜寻灵敏度，因为其时域形态非常相似，这为剔除它们造成困难。本工作中，我们构建了一个深度学习神经网络以高效区分BBH信号与blip故障。我们引入正弦高斯投影(SGP)图，其是将引力波频域数据片段投影于由品质因子与中心频率定义的正弦高斯基上所得。我们将SGP图输入我们的深度学习神经网络，其对BBH信号与blips进行分类。BBH信号为模拟所得，而所用blips则取自我们分析全程的真实数据。我们表明，相较于使用传统与正弦高斯所得结果，我们的网络显著改善了BBH信号的识别。例如，在误报率为、总质量处于且SNR处于的BBH中，我们的网络将灵敏度提升了75%。同时，其正确识别了GWTC-3中95%的真实GW事件。对数千张SGP图在单核上的分类计算时间为数分钟。随着我们算法下一版本的进一步优化，预期计算成本将进一步降低。我们提出的方法有望改善LIGO--Virgo引力波数据分析中的剔除流程，并可能支持低延迟管线中的GW信号识别。
引用
@article{arxiv.2202.08671,
title = {SiGMa-Net: Deep learning network to distinguish binary black hole signals from short-duration noise transients},
author = {Sunil Choudhary and Anupreeta More and Sudhagar Suyamprakasam and Sukanta Bose},
journal= {arXiv preprint arXiv:2202.08671},
year = {2023}
}
备注
11 pages, 8 figures and 2 tables. Reviewed by LIGO Scientific Collaboration (LSC) with preprint number LIGO-P2100485