使用监督学习算法作为核心坍缩超新星引力波搜寻的后续方法
广义相对论与量子宇宙学
2022-05-11 v1
摘要
我们提出了一种基于监督机器学习(ML)的后续方法,以使用相干 WaveBurst (cWB) 管道提升核心坍缩超新星(CCSNe)引力波(GW)暴搜寻的性能。该 ML 模型利用 cWB 提供的一组重建参数作为特征,区分噪声与信号事件。检出的噪声事件被丢弃,从而降低误报率(FAR)与误报概率(FAP),进而增强统计显著性。我们使用先进 LIGO 第三次观测运行前半段的应变数据以及从 3D 模拟提取的 CCSNe GW 信号测试了所提方法。该 ML 模型使用由噪声与信号事件组成的数据集进行学习,随后用于识别并丢弃 cWB 分析中的噪声事件。我们在单探测器网络(L1 与 H1)和双探测器网络(L1H1)中考察了噪声与信号削减水平。FAR 降低了约 至约 倍,统计显著性提升了约 至约 ,而对探测效率无影响。
引用
@article{arxiv.2111.07219,
title = {Using supervised learning algorithms as a follow-up method in the search of gravitational waves from core-collapse supernovae},
author = {Javier M. Antelis and Marco Cavaglia and Travis Hansen and Manuel D. Morales and Claudia Moreno and Soma Mukherjee and Marek J. Szczepańczyk and Michele Zanolin},
journal= {arXiv preprint arXiv:2111.07219},
year = {2022}
}