基于深度学习种子重要性采样的引力波快速天区定位
广义相对论与量子宇宙学
2022-08-17 v1 天体物理仪器与方法
机器学习
摘要
快速、高精度且可靠的引力波天区起源推断将实现实时多信使天文学。当前的贝叶斯推断方法虽然精度高且可靠，但速度慢。深度学习模型已在引力波推断任务中展现出准确且极快的特点，但由于神经网络的黑箱性质，其输出 inherently 存疑。在这项工作中，我们通过对多头部卷积神经网络生成的近似后验应用重要性采样，将贝叶斯推断与深度学习结合起来。该神经网络对LIGO和Virgo探测器中给定模拟引力波注入的天空坐标和两个质量参数化Von Mises-Fisher和高斯分布。我们为未见过的引力波事件生成了高度类似于使用贝叶斯推断在几分钟内生成的预测的天区图。此外，我们可以检测神经网络的不良预测，并快速标记它们。
引用
@article{arxiv.2111.00833,
title = {Swift sky localization of gravitational waves using deep learning seeded importance sampling},
author = {Alex Kolmus and Grégory Baltus and Justin Janquart and Twan van Laarhoven and Sarah Caudill and Tom Heskes},
journal= {arXiv preprint arXiv:2111.00833},
year = {2022}
}
备注
12 pages, 9 figures, 1 table