深度学习引力波搜索的训练策略

致密双星系统发射的引力辐射有可能被当前地基探测器探测到。从这些仪器的背景噪声中提取这些信号是一个复杂的问题，且大多数当前搜索的计算成本取决于源模型的复杂性。深度学习或许能够在当前算法达到计算极限处发现信号。在此我们将分析限制于非自旋双黑洞的信号，并系统地测试将训练数据呈现给网络的不同策略。为评估训练策略的影响，我们重新分析了首个已发表的网络，并将其直接与等效的匹配滤波搜索进行比较。我们发现深度学习算法能将低信噪比(SNR)信号泛化到高SNR信号，但反之则不然。因此，在训练期间提供高SNR信号并无益处，且当早期提供低SNR样本时实现最快收敛。在测试期间，我们发现当要求虚警概率$<10^{-3}$时，网络有时无法恢复任何信号。我们通过应用一种称为无界Softmax替换(USR)的训练后修改解决了这一限制。借助该改动，我们发现机器学习搜索在虚警率低至每月1次的情况下保留了匹配滤波搜索≥91.5%的灵敏度。