利用机器学习自动调优引力波搜寻中的卡方检验

探测器数据中的非高斯噪声会降低引力波搜寻的灵敏度。这些非高斯性常与匹配滤波搜寻中使用的模板波形高度吻合，需要信号一致性检验将其与天体物理信号区分开来。然而，为最大效能而对这些检验进行经验性调优十分耗时，并限制了检验的复杂度。本工作中我们展示了一个利用机器学习技术自动调优信号一致性检验的框架。我们实现了一种新的$\chi^2$信号一致性检验，针对中等质量黑洞双星搜寻中发现的大量噪声，并使用本文所设框架训练该新检验。我们发现该方法能有效训练复杂模型以压低噪声权重，同时相对不影响信号群体。这使质量$> 300 M_\odot$信号的搜寻灵敏度提升了约$11\%$。未来该框架可用于在任何常用匹配滤波搜寻算法中实现新检验，进一步提升搜寻灵敏度。