Detection of Multiband Lensed Gravitational Waves from Dark Matter Halos with Deep Learning
Chongqing University（重庆大学）；Xingtai University（邢台学院）
提出深度学习框架自动分类多波段观测下的透镜引力波信号，模拟DECIGO和爱因斯坦望远镜数据，证明多波段观测显著提升识别能力并减少透镜模型混淆。
2026-06-07 astro-ph.IM
Deep learning for clustering of continuous gravitational wave candidates
在非常多（$\approx 10^{17}$）模板上搜索连续引力波时，聚类是一种强大的工具，它通过识别和捆绑由于相同根本原因而导致的候选项来提高搜索灵敏度。我们实现了一个深度学习网络，它可以识别连续引力波搜索输出中的信号候选集群，并评估其性能。对于响亮的信号，我们的网络实现了高于97%的检测效率和极低的误报率，并且对于较低幅度的信号（即在$\lesssim$当前上限值）保持合理的检测效率。
2020-01-14 astro-ph.IM gr-qc physics.data-an
Deep Learning for Real-time Gravitational Wave Detection and Parameter Estimation with LIGO Data
NCSA（美国国家超级计算应用中心）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
最近获得诺贝尔奖的对黑洞合并产生的引力波的探测以及随后对两颗中子星碰撞的探测与电磁观测相吻合，开创了多信使天体物理学的新时代。为了扩大这一新兴科学的范围，我们提出使用深度卷积神经网络来实时检测和表征引力波信号。这种方法，即深度滤波，最初是使用模拟的LIGO噪声进行演示的。在这篇文章中，我们提出了使用LIGO第一次观测运行的实际数据进行深度滤波的扩展，用于利用来自多个LIGO探测器的连续数据流对来自二元黑洞合并的引力波进行检测和参数估计。我们首次证明，机器学习可以检测和估计LIGO观测到的真实GW事件的真实参数。我们的比较表明，深度滤波比匹配滤波的计算效率高得多，同时保持相似的灵敏度和较低的误差，允许实时处理非平稳非高斯噪声中的弱时间序列信号，使用最少的资源，并且还能够检测新类别的引力波源，这些源可能会被现有的检测算法忽略。这种方法是唯一适合于使符合检测活动的引力波和他们的多信使同行在实时。
2017-12-11 astro-ph.HE astro-ph.IM cs.LG
Deep Learning for Real-time Gravitational Wave Detection and Parameter Estimation: Results with Advanced LIGO Data
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；NCSA（美国国家超级计算应用中心）
最近获得诺贝尔奖的对黑洞合并产生的引力波的探测以及随后对两颗中子星碰撞的探测与电磁观测相吻合，开创了多信使天体物理学的新时代。为了扩大这一新兴科学领域的范围，我们率先使用卷积神经网络进行深度学习，该网络采用时间序列输入，用于快速检测和表征引力波信号。这种方法，即深度滤波，最初是使用模拟的LIGO噪声进行演示的。在这篇文章中，我们提出了使用LIGO的实际数据的深度滤波的扩展，使用来自多个LIGO探测器的连续数据流，用于探测和参数估计来自二元黑洞合并的引力波。我们首次证明了机器学习可以检测和估计LIGO观测到的真实事件的真实参数。我们的研究结果表明，与匹配滤波相比，深度滤波实现了相似的灵敏度和更低的误差，同时计算效率更高，对毛刺的弹性更强，允许以最少的资源实时处理非平稳非高斯噪声中的弱时序信号，并且还可以检测到现有检测算法可能未被注意到的新类别的引力波源。这种统一的数据分析框架非常适合于实现引力波及其多信使对应物的实时同步探测活动。
2017-11-08 astro-ph.HE astro-ph.IM cs.LG
Gravitational Wave Denoising of Binary Black Hole Mergers with Deep Learning
引力波探测需要深入了解引力波信号的物理特性，以及从中提取引力波信号的噪声。理解噪声的统计特性是一项复杂的工作，特别是在现实的检测场景中。在这篇文章中，我们展示了深度学习可以处理引力波数据的非高斯和非平稳性质，并展示了它在从高级LIGO噪声中去除二元黑洞合并GW150914，GW170104，GW170608和GW170814产生的引力波信号中的应用。为了展示这种方法的准确性，我们计算由我们的去噪算法产生的时间序列信号与预期描述这些引力波的数值相对论模板之间的重叠，找到重叠${\cal{O}}\gtrsim0.99$。我们还表明，我们的深度学习算法能够从我们注入到真正的高级LIGO数据中的数值相对论信号中去除噪声异常。我们讨论了这些结果的特点的引力波信号的影响。
2019-12-03 astro-ph.IM gr-qc physics.data-an
Matching matched filtering with deep networks in gravitational-wave astronomy
我们报告了一个深度卷积神经网络的构建，该网络可以再现对二元黑洞引力波信号进行匹配滤波搜索的灵敏度。用于检测良好建模的瞬态引力波信号的标准方法是匹配滤波。然而，随着引力波探测器的低频灵敏度的提高，这种低延迟搜索的计算成本将急剧增长。卷积神经网络为信号识别提供了一种计算效率很高的方法，其中在训练过程中，在获取数据之前执行大部分计算。我们只使用白化的时间序列测量的引力波应变作为输入，我们训练和测试模拟二进制黑洞信号的合成高斯噪声代表先进的LIGO灵敏度。我们表明，我们的网络可以将信号从噪声中分类出来，其性能可以模拟应用于相同数据集的匹配滤波，同时考虑接收者-操作者特征定义的灵敏度。
2017-12-19 astro-ph.IM gr-qc
A Deep Learning Technique to Control the Non-linear Dynamics of a Gravitational-wave Interferometer
University of Toronto（多伦多大学）；LIGO Laboratory（LIGO实验室）；California Institute of Technology（加州理工学院）
在这项工作中，我们开发了一种深度学习技术，成功地解决了非线性动态控制问题。而不是直接解决控制问题，我们结合概率神经网络和卡尔曼滤波器启发模型的方法来建立一个非线性状态估计系统。然后，我们使用估计的状态来实现一个平凡的控制器，现在完全可观测的系统。我们将这种技术应用于LIGO系统（干涉引力波天文台）操作中出现的关键非线性控制问题。我们在模拟中证明，我们的方法可以从数据中学习来估计系统的状态，从而成功控制干涉仪的反射镜。我们还开发了一个计算效率高的模型，可以在一个现代CPU内核上以高采样率实时的运行，这是在LIGO数字控制系统中实施我们的解决方案的关键要求之一。我们相信这些技术可以用来帮助解决类似的非线性控制问题在其他应用中。
2023-02-15 astro-ph.IM cs.LG gr-qc
Denoising Gravitational Waves using Deep Learning with Recurrent Denoising Autoencoders
NCSA, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校国家超级计算应用中心）；Department of Statistics, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系）；Department of Astronomy, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校天文系）；Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电气与计算机工程系）
引力波天文学是现代天体物理学中一个快速发展的领域，LIGO探测器经常进行观测。引力波信号通常非常微弱，来自LIGO等探测器的数据受到非高斯和非平稳噪声的污染，通常包含可能掩盖真实信号的瞬态干扰。传统的去噪方法，如主成分分析和字典学习，对于处理这种非高斯噪声，特别是对于低信噪比的引力波信号，效果并不理想。此外，这些方法在大型数据集上计算昂贵。为了克服这些问题，我们应用最先进的信号处理技术，基于深度学习的最新突破性进展，对嵌入高斯噪声或真实LIGO噪声中的引力波信号进行降噪。我们介绍了SMTDAE，阶梯式多时间步去噪自动编码器，基于序列到序列的双向长短期记忆递归神经网络。我们展示了使用我们的无监督深度学习方法的优势，并表明，在仅使用模拟高斯噪声进行训练后，SMTDAE对嵌入真实非高斯LIGO噪声中的引力波信号实现了卓越的恢复性能。
2017-11-27 astro-ph.HE astro-ph.IM cs.LG
Core-Collapse Supernova Gravitational-Wave Search and Deep Learning Classification
Swinburne University of Technology（斯威本科技大学）
我们描述了一个搜索和分类程序的核心塌陷超新星（CCSN）爆炸发出的引力波，使用卷积神经网络（CNN）结合事件触发器发生器被称为小波检测滤波器（WDF）。我们使用时间序列引力波数据作为输入的1-D CNN搜索，以及使用数据的时频表示作为输入的2-D CNN搜索。为了测试我们的1-D和2-D CNN分类的准确性，我们将来自中微子驱动的核心坍缩的最新流体动力学模拟的CCSN波形添加到使用Virgo干涉仪和计划中的爱因斯坦望远镜灵敏度曲线模拟的高斯色噪声中。我们发现，对于一个单一的检测器，1-D和2-D CNN管道的分类精度超过95%。在机器学习CCSN研究中，我们首次将短持续时间的检测器噪声瞬态添加到我们的数据中，以测试我们的方法对检测器噪声伪影产生的假警报的鲁棒性。此外，我们表明，CNN可以区分不同类型的CCSN波形模型。
2020-01-01 astro-ph.IM cs.LG gr-qc
Detection and Parameter Estimation of Gravitational Waves from Binary Neutron-Star Mergers in Real LIGO Data using Deep Learning
实时探测和估计致密双星合并产生的引力波的关键挑战之一是传统的匹配滤波和贝叶斯推断方法的计算成本。特别是，将这些方法应用于引力波探测器可用的完整信号参数空间和/或实时参数估计在计算上是禁止的。另一方面，快速探测和推断对于迅速跟踪伴随重要瞬变的电磁和天体粒子对应物，如中子星双星和黑洞中子星合并，至关重要。训练深度神经网络来识别特定信号并学习引力波信号及其参数之间映射的计算有效表示，可以快速可靠地进行检测和推断，具有高灵敏度和准确性。在这项工作中，我们应用了一种深度学习方法来快速识别和表征真实LIGO数据中中子星合并的瞬态引力波信号。我们第一次证明了人工神经网络可以及时检测和表征真实LIGO数据中的二进制中子星引力波信号，并将其与噪声和合并黑洞二进制信号区分开来。我们通过证明我们的深度学习框架正确地分类了来自引力波瞬态目录GWTC-1的所有引力波事件来说明这一关键结果[Phys. Rev. X 9（2019），031040]。这些结果强调了在机器学习方法中使用真实引力波探测器数据的重要性，并代表了实现引力波实时探测和推断的一步。
2021-07-29 astro-ph.IM gr-qc nucl-th
A Modular Deep Learning Pipeline for Galaxy-Scale Strong Gravitational Lens Detection and Modeling
Argonne National Laboratory（阿贡国家实验室）；National Astronomical Observatories of China（中国科学院国家天文台）；University of California, Berkeley（加州大学伯克利分校）
即将进行的大型天文观测预计将捕捉到数量空前的强引力透镜系统。深度学习正在成为一种有前途的实用工具，用于检测和量化这些星系级图像失真。缺乏大量的代表性数据，从目前的天文调查激励发展一个强大的前向建模方法，使用合成透镜图像。使用在最先进的河外目录上创建的强透镜的模拟样本，我们训练模块化深度学习管道，用于不确定性量化检测和建模，中间图像处理组件用于对透镜系统进行去噪和去混合。我们展示了高度的可解释性和控制系统，由于特定领域的任务模块训练与不同阶段的合成图像生成。对于镜头检测和建模，我们获得语义上有意义的潜在空间，分离类强镜头图像，并产生不确定性估计，解释错误分类的图像的起源，并提供概率预测的镜头参数。使用斯巴鲁望远镜的Hyper Suprime-Cam相机和LSST DESC模拟DC 2巡天星表的图像进行了推理流程的验证。
2022-10-21 astro-ph.CO astro-ph.IM cs.LG
Bayesian Framework to Follow-up Continuous Gravitational Wave Candidates from Deep Surveys
Max Planck Institute for Gravitational Physics (Albert Einstein Institute)（马克斯·普朗克引力物理研究所（爱因斯坦研究所））；Leibniz Universität Hannover（汉诺威莱布尼茨大学）；Departament de Física, Universitat de les Illes Balears, IAC3 – IEEC（巴利阿里群岛大学物理系，IAC3-IEEC）
本文提出基于贝叶斯方法的持续引力波候选者后续跟踪框架，以提高自动化和效率。
2026-01-26 astro-ph.IM gr-qc
Deep Learning Model on Gravitational Waveforms in Merging and Ringdown Phases of Binary Black Hole Coalescences
基于匹配滤波的重力波搜索波形模板应覆盖较宽的参数范围，以保证探测的成功。数值相对论（NR）已被广泛接受为最准确的波形建模方法。尽管如此，众所周知，NR通常需要大量的计算成本。在本文中，我们展示了一种新的确定性深度学习（DL）架构的概念验证，该架构可以从非旋转二元黑洞合并的合并和振铃阶段生成引力波形。我们的模型需要${\cal O}$（1）秒来生成大约$1500$波形，平均与最先进的波形近似值之一（有效单体）匹配99.9%。我们还进行了匹配滤波与DL波形，发现波形可以恢复注入的引力波信号的事件时间。
2021-05-25 astro-ph.IM gr-qc
Ensemble of Deep Convolutional Neural Networks for real-time gravitational wave signal recognition
随着深度学习技术的快速发展，越来越多的研究者将其应用到引力波（GW）数据分析中。以前的研究集中在单一的深度学习模型上。在本文中，我们设计了一个集成算法结合一组卷积神经网络（CNN）的GW信号识别。整个系综模型由两个子系综模型组成。每个子集成模型也是深度学习的集成模型。这两个子系综模型分别处理Hanford和Livestock探测器的数据。采用适当的投票方案将两个子集成模型组合起来，形成整体集成模型。我们将此集合模型应用于LIGO-VIRGO科学合作组织第一次观测和第二次观测运行（O 1/O2）中报告的所有GW事件。我们发现，集成算法可以清楚地识别所有的二元黑洞合并事件，除了GW 170818。我们还将集合模型应用于一个月（2017年8月）的O2数据。虽然只有O 1数据用于训练，但没有错误触发发生。测试结果表明，集成学习算法可以用于实时GW数据分析。
2022-04-26 astro-ph.IM
Results of the deepest all-sky survey for continuous gravitational waves on LIGO S6 data running on the Einstein@Home volunteer distributed computing project
我们报告了从S6 LIGO科学运行的数据中对来自孤立中子星的周期性引力波进行深空搜索的结果。由于Einstein@Home分布式计算项目的志愿者提供的计算能力，搜索成为可能。我们没有发现明显的信号候选者，并对来自目标人群的引力波信号的振幅设定了迄今为止最严格的上限。在最佳应变灵敏度的频率下，在$170.5$和$171$ Hz之间，我们设置了${5.5}^{-25}$的90%置信上限，而在我们频率范围的高端，大约505 Hz，我们达到了上限$\simeq {10}^{-24}$。在$230$ Hz处，我们可以用$10^{38} \textrm{kg m}^2$的主惯性矩的基准值排除地球100 pc范围内椭圆度大于$10^{-6}$的源。如果我们假设一个更高（更低）的引力波自旋，我们就把更远（更近）的物体限制在更高（更低）的椭圆度上。
2016-07-02 astro-ph.IM gr-qc
Denoising gravitational wave with deep learning in the time-frequency domain
National Cheng Kung University（国立成功大学）
本文提出利用Griffin-Lim算法的深度学习模型，用于在时频域中提高引力波去噪的精度和相位恢复能力。
2025-11-25 astro-ph.IM gr-qc
Deep Neural Networks to Enable Real-time Multimessenger Astrophysics
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；NCSA（美国国家超级计算应用中心）
引力波天文学引发了一场科学革命。为了进一步提高这一新兴领域的科学影响力，迫切需要增加引力波算法的深度和速度，这些算法使这些突破性的发现成为可能。为了促进这一努力，我们引入了深度滤波，这是一种用于端到端时间序列信号处理的新的高度可扩展方法，基于两个深度卷积神经网络的系统，我们设计用于分类和回归，以快速检测和估计高噪声时间序列数据流中的信号参数。我们展示了一种新的训练方案，逐渐增加的噪声水平，以及两个网络之间的迁移学习过程。我们展示了这种方法的应用程序的检测和参数估计的引力波从二元黑洞合并。我们的研究结果表明，深度过滤显著优于传统的机器学习技术，与匹配过滤相比，实现了类似的性能，同时速度快了几个数量级，从而允许以最少的资源实时处理原始大数据。更重要的是，深度滤波扩展了地面引力波探测器可以探测到的引力波信号的范围。该框架利用人工智能算法和新兴硬件架构的最新进展，例如深度学习优化的GPU，以促进对引力波源及其电磁和天体粒子对应物的实时搜索。
2017-11-09 astro-ph.GA astro-ph.HE astro-ph.IM
Classifying the Equation of State from Rotating Core Collapse Gravitational Waves with Deep Learning
本文试图回答“给定一个旋转核坍缩引力波信号，能否确定它的核物质状态方程？".为了回答这个问题，我们采用深度卷积神经网络来学习嵌入在旋转核心坍缩引力波（GW）信号中的视觉和时间模式，以预测核物质状态方程（EOS）。使用Richers等人（2017）的1824个旋转核心坍缩GW模拟，其中有18个不同的核EOS，我们认为这是一个经典的多类图像分类和序列分类问题。我们在测试集中获得了高达72%的正确分类，如果我们考虑“前5名”最可能的标签，这增加到高达97%，表明旋转堆芯坍塌GW信号对核EOS有适度和可测量的依赖性。
2021-01-17 astro-ph.IM gr-qc stat.ML
From One to Many: A Deep Learning Coincident Gravitational-Wave Search
Max-Planck-Institut für Gravitationsphysik, Albert-Einstein-Institut（马克斯·普朗克引力物理研究所（阿尔伯特·爱因斯坦研究所））；Leibniz Universität Hannover（莱布尼茨汉诺威大学）
紧密双星源合并产生的引力波现在由地球探测器定期观测。最灵敏的搜索算法将许多不同的预先计算的重力波形与探测器数据进行卷积，并寻找不同探测器之间的一致匹配。机器学习正在被探索作为构建搜索算法的替代方法，该算法有望降低计算成本并针对更复杂的信号。在这项工作中，我们构建了一个双探测器搜索引力波从二进制黑洞合并使用神经网络训练非旋转的二进制黑洞数据从一个单一的检测器。该网络被应用到两个观测站的数据独立，我们检查事件之间的时间重合。这使得能够通过对独立检测器数据进行时移来有效分析大量背景数据。我们发现，虽然对于一个单一的检测器的网络保留$91.5\%$的灵敏度匹配滤波可以实现，这个数字下降到$83.9\%$两个观测站。为了使网络能够检查检测器中的信号一致性，我们构建了一组简单的网络，直接对来自两个检测器的数据进行操作。我们发现，这些简单的两个检测器的网络都不能提高灵敏度，单独应用网络的数据从检测器和搜索时间重合。
2022-02-10 astro-ph.IM cs.LG gr-qc
Interstellar communication network. II. Deep space nodes with gravitational lensing
星际通信网络中的数据速率由于恒星之间的巨大距离而受到平方反比定律的影响。为了实现高（Gbits/s）数据速率，需要大孔径和高功率的某种组合。另外，信号可以通过恒星的引力透镜聚焦，产生$10^{9}$级的增益，与直接路径相比。引力透镜物理学对接收器和孔径的大小和位置施加了一系列约束。这些特征包括最小和最大接收器尺寸、最大发射器尺寸和日心接收器距离。接收机和发射机的最佳尺寸为米级。这种小装置允许捕获光束中的主瓣，同时避免影响较大孔径的时间拖尾。这些和其他属性可以用于描述透镜通信网络的最可能的参数，并确定通信节点在日心参考系中的精确位置。
2020-09-03 astro-ph.IM astro-ph.SR
Denoising Gravitational Waves with Enhanced Deep Recurrent Denoising Auto-Encoders
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
时域数据的去噪对于许多应用（如通信，翻译，虚拟助手等）来说是一项至关重要的任务。对于这项任务，递归神经网络（RNN）与去噪自动编码器（DAE）的组合已经显示出了良好的效果。然而，这种组合模型是具有挑战性的低信噪比（SNR）的数据嵌入在非高斯和非平稳噪声时进行操作。为了解决这个问题，我们设计了一种新的模型，称为“增强型深度递归去噪自动编码器”（EDRDAE），它包含一个信号放大器层，并通过首先对高SNR信号进行去噪来应用课程学习，然后逐渐降低SNR，直到信号成为噪声主导。我们展示了EDRDAE的性能，使用时间序列数据描述嵌入在非常嘈杂的背景中的引力波。此外，我们表明，EDRDAE可以准确地去噪信号的拓扑结构是显着更复杂的比那些用于训练，表明我们的模型推广到新的类别的引力波，是超出了既定的去噪算法的范围。
2019-03-06 astro-ph.CO astro-ph.IM cs.LG
Deep Learning Techniques to make Gravitational Wave Detections from Weak Time-Series Data
引力波是当高能事件如黑洞合并或中子星碰撞发生时时空结构中的涟漪。第一个引力波（GW）探测（GW 150914）是由激光干涉引力波天文台（LIGO）和Virgo合作于2015年9月14日完成的。此外，从恒星演化论到广义相对论，引力波存在的证明有着无数的含义。引力波探测需要多个滤波器，并且必须深入研究滤波后的数据，以得出关于数据是否只是一个小故障或实际引力波探测的结论。然而，随着深度学习的使用，这个过程被大大简化了，因为它大大降低了过滤的水平，并且输出更加确定，即使模型产生了概率结果。我们的技术，深度学习，利用一维卷积神经网络（CNN）的不同实现。该模型由真实LIGO噪声和GW波形模板注入的复合物进行训练。CNN有效地使用分类来区分弱GW时间序列与LIGO数据流中的非高斯噪声。此外，我们是第一个研究利用微调作为一种手段，训练模型与第二次通过的数据，同时保持所有的学习功能，从最初的训练迭代。这使得我们的模型具有100%的灵敏度，高于所有以前的研究在这个领域中，当在一个非常低的信噪比（SNR）的GW的实时检测，同时仍然是计算成本较低。这种灵敏度在一定程度上也是通过使用来自Hanford和Livingston检测器的深度信号流形来实现的，这使得神经网络能够对误报做出响应。
2021-04-12 astro-ph.HE astro-ph.IM
Detection and Classification of Supernova Gravitational Waves Signals: A Deep Learning Approach
我们演示了卷积神经网络的应用程序的引力波信号从核心坍缩超新星。利用模拟的引力波探测器时间序列，我们证明了基于爆炸机制的卷积神经网络可以用于探测和分类隐藏在噪声中的引力波信号。对于卷积神经网络训练中使用的波形，我们的研究结果表明，先进的LIGO，先进的VIRGO和KAGRA网络，或LIGO A+，先进的VIRGO和KAGRA网络很可能检测到大麦哲伦云和小麦哲伦云内的磁旋转核心坍缩超新星，或银河系事件，如果爆炸机制是中微子驱动的机制。通过测试卷积神经网络与波形不用于训练，我们表明，真正的报警概率为52%和83%，在60 kpc的波形R3E1AC和R4E1FC L。对于10 kpc的波形s20和SFHx，真实报警概率分别为70%和93%。所有的错误警报概率都是10%。
2019-12-31 astro-ph.HE astro-ph.IM
Deep learning for intermittent gravitational wave signals
未分辨的致密双星并合系综是随机引力波（GW）背景的一个很有前途的源。对于恒星质量的黑洞双星，由于其间歇性的特点，天体物理随机GW背景预计将表现出非高斯性。我们研究了深度学习在检测这种非高斯随机GW背景中的应用，并使用Drasco \& Flanagan（2003）中采用的玩具模型进行了演示，其中每个突发都由集中在时间箱中的单个峰值描述。对于检测问题，我们比较了三种不同结构的神经网络：较浅的卷积神经网络（CNN），较深的CNN和残差网络。我们表明，残差网络可以实现与传统的非高斯统计信号的天体物理占空比$\log_{10}ξ\in [-3,-1]$的灵敏度。此外，我们通过两种方法将深度学习应用于参数估计，其中神经网络（1）直接提供占空比和信噪比（SNR），以及（2）根据占空比值将数据分为四类。这是深度学习应用程序的第一步，用于检测非高斯随机GW背景并提取有关天体物理占空比的信息。
2023-01-13 astro-ph.IM gr-qc
Efficient Machine Learning Ensemble Methods for Detecting Gravitational Wave Glitches in LIGO Time Series
National University of Science and Technology Politehnica Bucharest（布加勒斯特国立科技大学）
针对LIGO引力波时间序列中的噪声毛刺检测问题，提出ShallowWaves和DeepWaves两种机器学习集成方法，在真实标注数据集上验证了DeepWaves集成的最优分类性能。
2023-11-02 astro-ph.IM cs.AI cs.LG
Applying deep neural networks to the detection and space parameter estimation of compact binary coalescence with a network of gravitational wave detectors
在本文中，我们研究了深度学习的应用，先进的LIGO和先进的处女座符合检测引力波（GW）从紧凑的双星合并。这种深度学习方法是George和Huerta（2017）用于网络检测器多输入的深度过滤方法的扩展。分析了先进LIGO和先进Virgo探测器的模拟重合时间序列数据，用于估算源光度、距离和天空位置。作为分类器，我们的深度神经网络（DNN）在网络检测器的最佳信噪比（SNR）为$\geq$ 9.作为一个预报器，它还可以有效地估计相应的源空间参数，包括光度距离$D$，赤经$α$，和December $δ$的紧凑双星合并。当信噪比大于8时，网络检测器的相对误差均小于23%。我们的研究结果表明，深度滤波可以处理一致的GW时间序列输入，并执行有效的分类和多个空间参数估计。此外，我们比较了从一个，两个和三个网络检测器获得的结果，这些结果表明，更多的网络检测器的结果在一个更好的源位置。
2019-02-19 astro-ph.IM gr-qc
Noise Reduction in Gravitational-wave Data via Deep Learning
随着引力波天文学的出现，人们期望有技术来扩展引力波探测器的范围。除了已经探测到的恒星质量黑洞和中子星合并外，还有更多的黑洞在噪音的表面之下，如果噪音足够小，就可以探测到。我们的方法（DeepClean）将机器学习算法应用于引力波探测器数据和来自监测仪器的现场传感器的数据，以减少由于仪器伪影和环境污染而导致的时间序列中的噪声。这个框架是通用的，足以减去线性，非线性和非静态耦合机制。它还可以提供了解目前不被理解为限制检测器灵敏度的机制的手柄。降噪技术的鲁棒性在其有效地去除噪声的能力，没有意外的影响引力波信号也解决了通过软件信号注入和参数估计的恢复信号。结果表明，$\sim 21.6\%$可提高注入信号的最佳信噪比，恢复的参数与注入集一致。我们提出了该算法的性能线性和非线性噪声源，并讨论了它的天体物理搜索的引力波探测器的影响。
2020-05-13 astro-ph.IM gr-qc physics.data-an
Image-based deep learning for classification of noise transients in gravitational wave detectors
Istituto Nazionale di Fisica Nucleare（意大利国家核物理研究所）
引力波的发现开创了引力天文学的新纪元，为宇宙源的多信使研究开辟了新的途径。由于它们的灵敏度，高级LIGO和高级Virgo干涉仪将探测更大的空间，并扩大发现新的引力波发射体的能力。这些探测器的特性是一项主要任务，以识别噪声的主要来源，并优化干涉仪的灵敏度。毛刺是瞬态噪声事件，可以影响干涉仪的数据质量，其分类是检测器表征的重要任务。深度学习技术是一种很有前途的故障识别和分类工具。我们提出了一个分类管道，该管道利用卷积神经网络从表示为图像的时频演化开始对毛刺进行分类。我们评估了模拟毛刺的分类精度，表明该算法可以自动分类毛刺非常快的时间尺度和高精度，从而提供了一个很有前途的工具，在线检测器表征。
2018-03-27 astro-ph.IM cs.CV gr-qc
Training Strategies for Deep Learning Gravitational-Wave Searches
Max-Planck-Institut für Gravitationsphysik, Albert-Einstein-Institut（马克斯·普朗克引力物理研究所（阿尔伯特·爱因斯坦研究所））；Leibniz Universität Hannover（莱布尼茨汉诺威大学）；Friedrich-Schiller-Universität Jena（弗里德里希·席勒耶拿大学）；Michael Stifel Center Jena（耶拿迈克尔·斯蒂费尔中心）
紧凑的双星系统发出的引力辐射，是潜在的检测到目前地球上的探测器。从仪器的背景噪声中提取这些信号是一个复杂的问题，并且大多数当前搜索的计算成本取决于源模型的复杂性。深度学习可能能够找到当前算法达到计算极限的信号。在这里，我们将我们的分析限制在来自非旋转二元黑洞的信号上，并系统地测试了将训练数据提交给网络的不同策略。为了评估训练策略的影响，我们重新分析了第一批发布的网络，并将其直接与等效的匹配过滤器搜索进行比较。我们发现，深度学习算法可以将低信噪比（SNR）信号推广到高SNR信号，但反之亦然。因此，在训练过程中提供高SNR信号是没有好处的，并且在早期提供低SNR样本时实现最快收敛。在测试过程中，我们发现当需要虚警概率$<10^{-3}$时，网络有时无法恢复任何信号。我们通过在训练后应用我们称为unbounded Softmax replacement（USR）的修改来解决这个限制。通过这种改变，我们发现机器学习搜索保留了匹配过滤器搜索的灵敏度的$\geq 91.5\%$，错误警报率为每月1次。
2022-02-10 astro-ph.IM cs.LG gr-qc
Evaluating Deep Learning Models for Multiclass Classification of LIGO Gravitational-Wave Glitches
Baylor University（贝勒大学）
本文评估了深度学习模型在LIGO引力波异常多类分类中的性能，比较了传统和深度学习模型在表格数据上的表现，发现某些深度学习模型在参数更少的情况下具有竞争力。
2026-04-09 astro-ph.IM gr-qc
Gravitational wave population inference with deep flow-based generative network
我们将分层贝叶斯建模与基于流的深度生成网络相结合，以证明人们可以有效地约束数值引力波（GW）人口模型在以前难以处理的复杂性。现有的将数据与模拟进行比较的技术，例如离散模型选择和高斯过程回归，只能有效地应用于中维数据。这限制了可观测的数量（例如啁啾质量、自旋）。以及可以在总体推断中使用的超参数（例如，公共包络效率）。在这项研究中，我们训练一个网络来模拟一个具有6个观测量和4个超参数的唯象模型，用它来推断模拟目录的属性，并将结果与唯象模型进行比较。我们发现，一个10层的网络可以准确和有效地模拟唯象模型。我们的机器使基于模拟的GW人口推断能够以新的复杂程度处理数据。
2020-07-04 astro-ph.HE astro-ph.IM gr-qc
Identification of Lensed Gravitational Waves with Deep Learning
类似于光，引力波（GW）可以被透镜化。这种透镜现象可以放大波，创建可观察到的重复事件的多个图像，并将几个波形叠加在一起，从而在波上产生潜在的可辨别模式。特别是，当透镜很小时，$\lesssim 10^5 M_\odot$，它可以产生透镜图像，其时间延迟短于典型的引力波信号长度，这些信号共同形成"拍频图案“。我们提出了一个利用深度学习来识别这种透镜签名的原理证明研究。我们带来了最先进的深度学习模型的优点，从背景噪声中识别前景物体，从噪声频谱图中识别透镜状GW。我们假设透镜质量约为$10^3 M_\odot$ -- $10^5 M_\odot$，这可以在两个透镜GW图像之间产生毫秒级的时间延迟。我们讨论的可行性，区分透镜GW从unlensed的和估计的物理和透镜参数。建议的方法可能是感兴趣的更复杂的透镜配置的研究，我们没有准确的波形模板。
2021-05-17 astro-ph.CO astro-ph.HE astro-ph.IM
Gravitational Wave Signal Extraction Against Non-Stationary Instrumental Noises with Deep Neural Network
针对星载引力波探测中数据缺失、瞬态、时变噪声自相关三类非平稳噪声干扰问题，提出深度学习模型，在理想场景性能比肩SOTA，异常场景下大质量黑洞双星信号提取适应性优异，拓展了星载引力波数据处理深度学习模型鲁棒性研究。
2024-09-16 astro-ph.GA astro-ph.IM gr-qc
Deep learning and Bayesian inference of gravitational-wave populations: Hierarchical black-hole mergers
引力波事件的目录正在增长，我们希望通过推断以下物质的分布来限制恒星质量黑洞合并的基本天体物理学，例如，质量和自旋虽然传统的分析参数化这个人口与简单的唯象模型，我们提出了一个基于仿真的方法，可以比较天体物理模拟对引力波数据。我们将最先进的深度学习技术与分层贝叶斯推断相结合，并利用我们的方法来约束最近LIGO/Virgo目录中引力波事件的重复黑洞合并的属性。深度神经网络使我们能够（i）构建一个灵活的单通道种群模型，该模型可以准确地模拟分层合并的简单参数化数值模拟，（ii）估计选择效应，（iii）恢复重复合并世代的分支比。在我们的研究结果中，我们发现：宿主环境逃逸速度的分布有利于小于$100~\mathrm{km\,s^{-1}}$的值，但相对平坦，大约$37\%$的第一代合并保留在其宿主环境中;第一代黑洞出生时具有最大质量，这与目前对不稳定超新星的估计是一致的;在质量和自旋分布中存在多峰子结构，在我们的模型中，这可以用重复合并来解释;具有更高代分量的双星至少构成了底层人口的$14\%$。虽然这些结果是通过模拟简化模型推断出来的，但我们提出的深度学习管道很容易适用于现实的天体物理模拟
2022-11-04 astro-ph.HE astro-ph.IM gr-qc
Novel Deep Learning Approach to Detecting Binary Black Hole Mergers
本研究提出一种将深度学习应用于匹配滤波生成的信噪比时间序列的双黑洞引力波探测新方法，在含毛刺的模拟数据中性能优于传统匹配滤波，可提升低质量并合探测灵敏度，且参数估计精度与现有管线相当。
2025-01-14 astro-ph.IM gr-qc
Deep Learning Detection and Classification of Gravitational Waves from Neutron Star-Black Hole Mergers
激光干涉仪引力波天文台（LIGO）和室女座干涉仪合作组现在已经探测到了所有三类紧凑的双星合并：双星黑洞（BBH），双星中子星（BNS）和中子星-黑洞（NSBH）。对于涉及中子星的聚并，同时观测事件产生的引力和电磁辐射，具有更广泛的潜力，以提高我们对这些事件的理解，也探索状态方程（EOS）的致密物质。然而，对引力波（GW）事件的电磁跟踪需要GW信号的快速实时检测和分类，并且常规检测方法在计算上对于下一代GW检测器的预期检测速率是过高的。在这项工作中，我们提出了第一个基于深度学习的GW信号分类结果，这些信号来自\textit{real} LIGO数据中的NSBH合并。我们首次证明，深度神经网络可以成功区分所有三类紧凑的二进制合并，并将它们与检测器噪声分离。具体来说，我们训练卷积神经网络（CNN）的$\sim 500,000$数据样本的真实LIGO噪声注入BBH，BNS，和NSBH GW信号，我们表明，我们的网络具有高灵敏度和准确性。最重要的是，我们成功地恢复了两个确认的NSBH事件的日期（GW 200105和GW 200115）和两个确认的BNS合并的日期（GW 170817和GW 190425），连同$\approx 90\%$的所有BBH候选事件从第三个引力波瞬态目录，GWTC-3。这些结果是实现低延迟实时GW检测的重要一步，从而实现多信使天文学。
2023-03-17 astro-ph.HE astro-ph.IM gr-qc
Extraction of binary neutron star gravitational wave waveforms from Einstein Telescope using deep learning
针对第三代引力波探测器ET的双中子星引力波数据处理挑战，提出基于深度学习的波形提取框架，含分阶段去噪模型与振幅正则化模型，为双中子星引力波的预警、搜索和定位提供新方法。
2024-06-22 astro-ph.IM
Detecting and Denoising Gravitational Wave Signals from Binary Black Holes using Deep Learning
我们提出了一个卷积神经网络，设计在自动编码器的配置，可以检测和降噪天体物理引力波合并黑洞二进制文件，数量级快于传统的匹配滤波为基础的检测，目前采用先进的LIGO（aLIGO）。神经网络架构是这样的，它从时频域中数据的稀疏表示中学习，并构造一个非线性映射函数，将该表示映射到信号和噪声的两个单独的掩码中，便于将两者从原始数据中分离出来。这种方法是第一种将基于机器学习的引力波检测/去噪应用于引力波数据的2D表示的方法。我们将我们的形式主义应用于探测到的第一个引力波事件GW 150914，成功地恢复了两个探测器合并的所有三个阶段的信号。该方法进一步测试的引力波数据从第二次观测运行（$O2$）的aLIGO，再现所有的二元黑洞合并检测到的$O2$在两个aLIGO探测器。神经网络似乎已经发现了一种在合并的振铃阶段之后的“振铃”模式，这不是传统的二元合并模板中存在的特征。该方法还可以在建模的模板之间内插和外推，并探索未建模的引力波，因此不存在于匹配滤波检测管道中使用的信号的模板库中。更快和有效的探测方案，如这种方法，将有助于地面探测器达到其设计灵敏度，可能导致在几个月的观测运行数百个潜在的检测。
2022-10-04 astro-ph.IM gr-qc
DeepGraviLens: a Multi-Modal Architecture for Classifying Gravitational Lensing Data
Politecnico di Milano（米兰理工大学）
本文提出多模态网络DeepGraviLens，分类引力透镜时空数据，超越现有方法约3%-11%准确率，加速巡天数据分析。
2023-06-23 astro-ph.CO astro-ph.IM cs.AI
Using Deep Learning to Localize Gravitational Wave Sources
在本文中，我们报告了一个深人工神经网络（ANN）的建设，以定位模拟引力波信号在天空中的高精度。我们将天空建模为一个球体，并考虑了球体分为18，50，128，1024，2048和4096个扇区的情况。引力波源的天空方向是通过根据信号的赤经和赤经值将信号分类到这些扇区中的一个来估计的。为了做到这一点，我们将模拟的二元黑洞引力波信号注入到高斯噪声中，并使用白化应变值来获得用于训练我们的ANN的输入特征。我们输入特征，如到达时间的延迟，相位差和幅度比在三个探测器Hanford，Livingston和Virgo中的每一个，从原始时域应变值以及从这些信号的分析版本，通过希尔伯特变换获得。我们表明，我们的模型是能够分类引力波样本，没有在训练过程中使用，到他们的正确部门，具有非常高的准确性（>90%）的粗角分辨率使用18，50和128个部门。利用已发表的LIGO双星黑洞合并事件GW150914、GW170818和GW170823的1024、2048和4096扇区的注入参数对实验样本进行了局部化检验，并与BAYESTAR和参数估计（PE）的结果进行了比较。此外，我们报告说，我们的模型在14个英特尔至强CPU内核上定位一个GW信号所需的时间约为0.018秒。
2019-10-20 astro-ph.IM gr-qc
Deep searches for broadband extended gravitational-wave emission bursts by heterogeneous computing
我们提出了一个异构搜索算法的宽带扩展引力波发射（BEGE），预计从伽马射线暴和高能核心坍缩超新星。它通过在{ \em图形处理器单元}（GPU）上对数百万个持续时间为一秒的啁啾的模板库进行匹配滤波，通过内部引擎缓慢地耗尽其能量库来搜索$(f,\dot{f})$平面以寻找长持续时间的突发。利用LIGO S6数据在350-2000 Hz范围内的近高斯噪声，利用Parseval定理预测滤波器输出的标准差$σ$。超过$σ$的倍数的尾部被传送回{ \em中央处理单元}（CPU）。该算法达到约65%的效率，整体，归一化的快速傅立叶变换（FFT）。在16秒持续时间$(N=2^{16}$样本的数据段上每秒大约一百万个相关性时，在大约十几个GPU的集群上实现了比实时分析更好的分析。我们展示了它的应用程序捕获高频硬件LIGO注入。该算法可作为当前观测运行中存档数据和实时分析的深度全天空搜索的起点。
2017-08-04 astro-ph.IM gr-qc
DeepExtractor: Time-domain reconstruction of signals and glitches in gravitational wave data with deep learning
Faculty of Science, Open Universiteit（科学学院，开放大学）；Institute for Gravitational and Subatomic Physics (GRASP), Utrecht University（引力与亚原子物理研究所（GRASP），乌得勒支大学）；Nikhef（Nikhef研究所）；Department of Physics, University of Massachusetts（物理系，马萨诸塞大学）
本研究提出深度学习框架DeepExtractor，通过建模引力波探测器噪声并扣除噪声分量实现信号与干扰的时域重构，在干扰恢复效果和计算速度上均优于现有方法，还可无训练重构真实引力波事件。
2025-06-11 astro-ph.IM cs.LG gr-qc
Deep Learning Detection of Beyond-General-Relativity Deviations in Gravitational-Wave Signals: A Detection-Threshold Study with Real LIGO Noise
Concordia University（康考迪亚大学）
本研究利用混合CNN分类器在真实LIGO噪声中探测引力波信号的广义相对论外偏差，确定探测阈值约为β≈0.25，并指出小偏差时的负结果量化了纯机器学习搜索的局限。
2026-09-18 astro-ph.IM cs.LG gr-qc
Coherence DeepClean: Toward autonomous denoising of gravitational-wave detector data
本研究提出名为 Coherence DeepClean（CDC）的综合方法与网络基础设施，利用机器学习串联运行相干性监测与 DeepClean 去噪，显著提升引力波探测器灵敏度与双中子星探测距离。
2025-09-16 astro-ph.IM gr-qc
Deep Generative Models of Gravitational Waveforms via Conditional Autoencoder
基于条件自编码器的半监督方案及其变分扩展，我们构造了几个引力波形的深层生成模型。当训练完成后，我们发现我们的最佳波形模型可以生成双黑洞合并的吸气合并波形，对于$1$和$10$之间的质量比，其平均重叠匹配滤波精度高于$97\%$。此外，单个波形的生成时间约为1毫秒，比在相同计算设备上运行的EOBNR算法快约$10$至$100$倍。此外，这些模型还可以帮助探索波形的空间。也就是说，主要利用低质量比训练集，所得到的训练模型能够生成大量精确的高质量比波形。这一结果表明，我们的生成模型可以加快波形生成的低延迟搜索的引力波事件。随着未来工作精度的提高，生成式波形模型也可能有助于加快参数估计，并可以通过渐进的自训练来帮助数值相关性生成更高质量比的波形。
2021-06-15 astro-ph.HE astro-ph.IM gr-qc
Exploring the interpretability of deep neural networks used for gravitational lens finding with a sensitivity probe
人工神经网络在天文学中的应用越来越多，但理解这些模型的局限性可能很困难。我们利用一种统计方法，一个敏感性探针，旨在补充建立的方法来解释神经网络的行为，通过量化模型的性能对各种属性的输入的敏感性。我们将这种方法应用于神经网络训练分类图像的星系星系强透镜的暗能量调查。我们发现，网络对颜色、训练中使用的模拟PSF以及透镜光源的光遮挡高度敏感，但对爱因斯坦半径不敏感，并且性能随光源和透镜大小而平滑下降。由此，我们确定了用于约束网络的训练集的弱点，特别是对PSF的过度敏感，并将镜头取景器的选择功能约束为星系光度星等的函数，当镜头源的g波段星等大于21.5时，镜头的r波段星等小于19时，精度显著降低。
2021-12-05 astro-ph.IM
Parameter Estimation for Intermediate-Mass Binary Black Holes through Gravitational Waves Observed by DECIGO
针对天基引力波探测器面临的非高斯非平稳噪声下传统参数估计算法资源消耗大、模板库受限的问题，提出用深度学习和GPR处理中等质量双黑洞参数估计，实验表明深度学习精度更高、速度更快。
2023-12-13 astro-ph.HE astro-ph.IM gr-qc
Matched filtering for gravitational wave detection without template bank driven by deep learning template prediction model bank
本文提出用深度学习模型库替代传统模板库，通过包络提取网络和天体物理起源判别网络预测匹配滤波信噪比，实现可实时且具物理解释性的引力波搜索框架。
2023-09-05 astro-ph.IM
Use of conditional variational auto encoder to analyze ringdown gravitational waves
最近，针对引力波数据分析提出了几种深度学习方法。一种是Gabbard等人提出的条件变分自动编码器（CVAE）。我们研究的准确性的CVAE的QNM频率的振铃的估计的上下文中。我们表明，CVAE的估计精度优于匹配滤波。比较了置信区域的面积，结果表明CVAE可以返回更小的置信区域。此外，我们还评估了CVAE估计的置信区域的可靠性。我们的工作证实了深度学习方法具有与匹配滤波竞争或克服匹配滤波的能力。
2020-02-27 astro-ph.IM gr-qc
Deep source separation of overlapping gravitational-wave signals and non-stationary noise artifacts
提出基于深度学习编码器-解码器架构的盲源分离框架，实现LISA数据中大质量黑洞双星、银河系双星和仪器故障信号的单步分离，为传统贝叶斯方法提供可扩展的替代方案。
2025-06-27 astro-ph.IM gr-qc physics.data-an
Reduction of transient noise artifacts in gravitational-wave data using deep learning
过多的瞬态噪声伪影或毛刺影响地基引力波（GW）探测器的数据质量，并损害天体物理源产生的信号的检测。毛刺的缓解对于提高GW信号可检测性至关重要。然而，毛刺是相互关联的检测器-控制系统（包括光学对准系统）之间的短暂线性和非线性耦合以及地震干扰的减轻的产物，通常使得难以对噪声耦合进行建模。因此，通常否决包含毛刺的时间段，以减轻GW搜索中毛刺的影响，代价是减少可分析数据。为了增加可用数据周期并提高模型和未建模GW信号的可检测性，我们提出了一种新的基于机器学习的方法，该方法使用现场传感器/系统控制器监测仪器和环境条件来建模噪声耦合并减去GW检测器数据中的毛刺。我们发现，我们的方法减少了20-70%的多余的功率在数据中，由于毛刺。通过将软件模拟信号注入到数据中，并使用未建模的GW检测管道之一来恢复它们，我们解决了毛刺减少技术的鲁棒性，以有效地去除毛刺，而不会对GW信号产生意外影响。
2021-07-08 astro-ph.IM gr-qc
Deep Learning Search for Gravitational Waves from Compact Binary Coalescence
Università degli Studi di Urbino Carlo Bo（乌尔比诺卡洛·博大学）；INFN, Sezione di Firenze（意大利国家核物理研究所佛罗伦萨分部）；Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学、法国国家科学研究中心/法国国家粒子物理研究所、IJCLab）
本文提出一种结合匹配滤波与卷积神经网络的引力波搜索方法，通过模拟数据验证其在提高检测效率和减少计算负载方面的有效性。
2026-10-22 astro-ph.IM gr-qc
Deep Residual Error and Bag-of-Tricks Learning for Gravitational Wave Surrogate Modeling
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Department of Informatics, Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学信息学系）；Department of Physics, Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学物理系）；GSI Helmholtz Center for Heavy Ion Research（亥姆霍兹重离子研究中心（GSI））
本研究针对引力波代理波形建模的精度问题，提出新增第二个网络建模首个神经网络的残差误差，结合多种技巧优化，将验证集波形最大失配降低13.4倍，该方法有望推广至更通用的引力波代理模型以提升计算效率。
2023-08-23 astro-ph.HE astro-ph.IM cs.LG
Detecting residues of cosmic events using residual neural network
Dwarkadas J. Sanghvi College of Engineering（德瓦卡达斯·J·桑格维工程学院）
引力波的探测被认为是本世纪最伟大的发现之一。由于匹配滤波流水线的高计算成本，存在寻找替代的强大系统的需求。我提出，第一次，使用一维残差神经网络检测的引力波。残差网络以其鲁棒的结构改变了图像分类、人脸识别和目标检测等领域。随着LIGO探测器灵敏度的提高，我们期望能探测到宇宙中更多的引力波源。然而，深度学习网络只训练一次。当用于分类任务时，深度神经网络被训练为仅预测固定数量的类。因此，当要探测到一种新型的引力波时，这被证明是深度学习的一个缺点。浅层神经网络可以用来学习具有简单模式的数据，但随着数据复杂性的增加，不能给出良好的结果。通过检测每种新类型的GW来重构神经网络是非常不可行的。在这封信中，我还讨论了如何减少深度学习方法在探测引力波时适应这种变化所需的时间。首先，我的目标是为一维时间序列输入创建一个自定义的残差神经网络，它可以从数据集中学习大量的特征，而不会放弃增加类的数量或增加数据的复杂性。利用LIGO探测到的两类双星合并信号（双星黑洞合并信号和双星中子星合并信号）检验了残差结构对引力波探测的性能。
2021-01-01 astro-ph.CO astro-ph.IM cs.LG
