利用深度学习进行致密双星并合引力波数据处理的研究

The Advanced Laser Interferometer Gravitational-wave Observatories (Advanced LIGO and Virgo) have repeatedly captured gravitational wave (GW) signal from compact binary coalescences (CBC), which indicates the current theoretical model for compact binary system GW radiation and data analysis pipeline based on matched filtering are reliable. However, with the continuous emergence of GW events, the current data processing will result in high latency, which is not conducive for further astronomical observation. In this project, we intend to use deep neural network structures to establish a deep learning framework for observing GW from compact binary coalescences. We will focus on the efficiency and accuracy of deep learning for the GW detection from compact binary coalescences, and achieve the goal of intelligent detection for CBC GW. The research results have important scientific significance to promote the development of multi-messenger astronomy, and help to realize the intelligent observation of GW from other sources.

第二代地面激光干涉引力波探测器已多次捕捉到来自致密双星系统并合的引力波，这说明现有的双星引力辐射理论模型和基于匹配滤波的数据处理流程是可靠的。然而随着引力波事件的不断涌现，现有的数据处理流程会带来较大的时间延迟，不利于进一步的天文观测。本项目拟利用深度神经网络结构，建立观测致密双星并合引力辐射的深度学习框架。重点研究深度学习用于致密双星系统并合过程引力波探测的高效性和参数估计的准确性，实现致密双星系统并合引力波智能观测的目标。本项目的研究成果对促进多信使天文学的发展具有重要的科学意义，有助于实现对其它类型引力波源的智能化观测。

目前，第二代地面激光干涉引力波探测器已成功探测到近200例双致密天体并合引力波事件。可以预见随着引力波事件的不断涌现，智能化的数据处理流程将会成为引力波探测中必不可少的环节。尤其当双中子星引力波事件被探测到后，进一步的天文观测需要对该波源做出及时有效的定位。因此，本项目尝试用各种常见的神经网络结构对模拟双黑洞事件和真实探测器数据进行识别和参数估计。通过对双致密天体并合引力波波形的理论研究和实验模拟，我们生成了大量的训练集和测试集。在对模拟数据的实验中，我们发现深度学习（DNN）可以正确地对致密双星的GW信号进行分类，对信噪比大于等于9的时间序列具有非常高的检测灵敏度。并且用相同的网络结构进行参数估计时，DNN能够同时估计空间参数。我们的结果还证实，advanced LIGO-virgo可以用更多的网络探测器更好地估计光度距离和波源空间位置。另外，将我们设计的网络应用于真实数据后，我们发现使用具有真实噪声的模拟GW信号来训练CNN模型可以有效地识别目前所有的双黑洞引力波事件并找到一些候选信号。此外，通过限制LIGO O2实时序列中连续截取的连续样本的连续预警次数，并否决H和L噪声的一致性，其误警率被限制为每2个月少于一次。这有助于促进LIGO实时数据处理。