基于时域深度学习的强偏置引力波候选人两两识别

随着引力波（GW）目录的不断扩大，对候选事件对进行穷尽的贝叶斯比较计算成本日益增加，这促使开发快速预筛选方法用于强偏置引力波搜索。我们将偏置配对识别表述为一个二元验证问题，使用两个预处理的应变段。为解决此任务，我们提出了 Physics-Inspired ResNet（PI-ResNet），这是一种用于成对 GW 候选分类的单维残差网络。不同于基于频谱图的预筛选方法，PI-ResNet 直接 operates on 去噪后的时域应变数据，避免中间时频图像表示。共享具有 Squeeze-and-Excitation（SE）模块的残差主干网络对两个输入段进行编码，随后通过绝对特征差异和 Hadamard 积交互比较配对嵌入。我们使用来自二倍黑洞合并的模拟 GW 信号（由点质量（PM）和奇异等温球（SIS）透镜引起）注入到模拟 LIGO 和 Einstein Telescope（ET）探测器噪声中进行训练和评估。在 ET 设计噪声下，PI-ResNet 对 SIS 透镜的准确率达到 95.60%，对 PM 透镜的准确率达到 93.80%；在模拟的 LIGO H1-L1 高斯噪声下，准确率分别为 84.03% 和 78.25%。这些结果表明，直接从 1D 应变数据进行学习为候选偏置 GW 对提供一种高效且具有物理依据的预筛选统计量，同时也表明需要探测器域适应。