SiGMa-Net II：区分双黑洞与 glitches

随着引力波（GW）探测器灵敏度的提高，我们预期可探测的 GW 事件将显著增加。为了处理、分析并识别由双黑洞（BBH）合并产生的大量 GW 信号，我们需要兼顾速度与精度。在搜寻（大质量）BBH 信号时，最大的障碍来自于各种被称为 glitches 的非高斯噪声瞬变。与我们之前使用简单卷积神经网络区分 BBH 与 Blip glitches 的工作相比，本工作使用基于 InceptionNetV3 的迁移学习，来区分 BBH 与 LIGO 第三次观测运行中最常见的六种 glitches。其中 glitches 是真实的并由 GravitySpy 识别，而 BBH 信号则是模拟的，随后被注入到两个 LIGO 探测器各自的真实探测器噪声中。我们通过将数据与具有不同品质因子（$Q$）和中心频率（$f_0$）的正弦高斯函数进行互相关，生成正弦高斯投影（SGP）图，并将其投影到 $Q$ - $f_0$ 平面上。我们发现，SGP 图使得区分 BBH 与在时频图中看起来与 BBH 非常相似的 glitches（如 Blips）变得更容易，同时也保持了 BBH 与更频繁出现的 glitches（即 Scattered Light 和 Fast Scattering）之间显著的形态差异。我们的网络在我们的测试数据集上准确率为 $87$，在 0.1 的假阳性率（FPR）下真阳性率（TPR）为 0.83。它也具有鲁棒性，在 LIGO 前三次观测运行中识别出的真实 BBH 事件上进行测试时，仍保持其准确率水平。我们提出的方法表明，使用 SGP 图和神经网络快速识别 GW 事件是可行的，提高了标准搜索管道的效率。