深度学习在引力波探测中的应用综述

发布时间：2021-10-30 21:55

　　引力波探测是现代科技史上的重要事件。随着引力波探测技术的发展,传统的匹配滤波方法逐渐不符合现代引力波探测的要求,因此寻找新的探测方法势在必行。本文回顾了引力波探测的主要研究成果,分析了深度学习方法在引力波探测中的应用潜力。在引力波信号检测方法中,引入卷积神经网络（CNN）模型的深度滤波方法获得了不低于匹配滤波的识别正确率和大幅提升的处理速度。在进行引力探测数据分析、对信号中的噪声进行识别与分类时,深度学习方法也有着优秀的表现。最后,介绍了利用卷积神经网络实现引力波识别的具体流程。 

【文章来源】：高技术通讯. 2020,30(09)北大核心

【文章页数】：5 页

【部分图文】：

引力波叠加噪声

Daniel George团队在最初使用了最基本的卷积神经网络(convolution neural network, CNN),在经过不断的比较测试后,设计获得了一种深度卷积神经网络。结果表明,在相同条件下,这种深度滤波的正确率不低于匹配滤波,运算速度却是匹配滤波的13倍(如图2)。使用深度学习来检测引力波的另一个优势是神经网络可以进行迁移学习[3]。将设计好的模型在一个大型数据集中完成训练,只需要进行参数微调即可在其他数据集上使用。这种无监督模型使用范围更广,无需匹配滤波方法一般的完备的理论模板,可自动区分各种噪声,并检测出引力波。这种方法已经成功的在LIGO真实数据中检测出前3个引力波信号数据[4]。

Bahaadini等人[12]还提出了一种深度多视图卷积神经网络来自动分类毛刺,来提高分类的整体准确性。与传统的仅使用单视图模型的标准方法相比,他们提出了4输入模型,即使用毛刺的4个不同的持续时间0.5 s、1 s、2 s、4 s来绘制毛刺(如图4)。测试分析结果表明,具有较短毛刺的单视图模型对于较短毛刺的类性能更好,具有较长毛刺的单视图模型对于较长毛刺的类性能更好。而他们所提出的多视图模型比单视图模型的分类精度高。图4 具有4个视图的Helix glitches的示例

【参考文献】：
期刊论文
[1]Applying deep neural networks to the detection and space parameter estimation of compact binary coalescence with a network of gravitational wave detectors[J]. XiLong Fan,Jin Li,Xin Li,YuanHong Zhong,JunWei Cao.  Science China（Physics,Mechanics & Astronomy）. 2019(06)
[2]深度学习在引力波数据处理中的应用初探[J]. 曹周键,王赫,朱建阳.  河南师范大学学报(自然科学版). 2018(02)



本文编号：3467496