SLICK：引力波数据中同类候选体的强透镜识别

到下一个十年末，我们希望能探测到由星系或星系团产生的强透镜引力波。虽然存在识别透镜信号的最优方法，但研究表明机器学习 (ML) 算法可以提供相当的性能，且速度比非 ML 方法快几个数量级。我们提出了 SLICK 流程，该流程包含一个基于深度学习的并行网络。我们分析了为注入高斯噪声以及真实噪声的双黑洞信号生成的 Q 变换图 (QT maps) 和正弦 - 高斯图 (SGP-maps)。我们将我们的网络性能与之前的工作进行了比较，发现我们的模型效率在 0.001 的假阳性率下提高了 5 倍。此外，我们表明，将 SGP 图与 QT 图数据结合比单独分析 QT 图能带来更好的性能。当与天空定位约束相结合时，我们有望获得前所未有的预测精度。我们还在 LIGO--Virgo 合作组织探测到的真实事件上评估了我们的模型，发现我们的网络正确地分类了所有事件，这与未探测到透镜现象一致。