使用貝氏神經網路偵測重力波

Abstract

我們提出了一個新的貝氏卷積-長短期記憶神經網路(CLDNN)模型，藉由結合卷積神經網路(CNN)與長短期記憶神經網路(LSTM)，可以偵測到雙星系統從繞行階段到合併所發出的重力波訊號。我們的模型成功偵測到LIGO LivingstonO2觀測資料中包含的7個黑洞雙星合併事件，同時模型輸出的標記涵蓋了完整長度的重力波訊號。利用貝氏神經網路的不確定性估計，我們新定義了一個‘注意’狀態，用以注意那些可能被傳統神經網路視為雜訊的未知訊號。被標記為‘注意’的資料片段可以因此被更仔細地分析。我們使用了40960個樣本來訓練模型，並使用數筆具有512個長度為8秒的實際觀測雜訊片段，且注入信噪比ρopt從0到18的模擬重力波訊號的資料集做效能測試。我們的模型能識別90%以上訊噪比大於7的事件(訊噪比8.5以上可以達到100%)，且對於訊噪比大於8的事件我們的模型可以成功標記95%以上含有訊號的片段。而在使用未最佳化的程式碼與中階GPU的個人電腦上，我們的模型可在合併事件發生後約20秒即可標記出相對應的訊號區間。若使用更大的資料集與高速電腦，我們的模型可具有即時探測，甚至是預警合併事件的潛力。