引力波探測是現(xiàn)代科技史上的重要事件。隨著引力波探測技術(shù)的發(fā)展,傳統(tǒng)的匹配濾波方法逐漸不符合現(xiàn)代引力波探測的要求,因此尋找新的探測方法勢在必行。本文回顧了引力波探測的主要研究成果,分析了深度學(xué)習(xí)方法在引力波探測中的應(yīng)用潛力。在引力波信號檢測方法中,引入卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型的深度濾波方法獲得了不低于匹配濾波的識別正確率和大幅提升的處理速度。在進(jìn)行引力探測數(shù)據(jù)分析、對信號中的噪聲進(jìn)行識別與分類時,深度學(xué)習(xí)方法也有著優(yōu)秀的表現(xiàn)。最后,介紹了利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)引力波識別的具體流程。 

【文章來源】：高技術(shù)通訊. 2020,30(09)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

引力波疊加噪聲

Daniel George團(tuán)隊在最初使用了最基本的卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN),在經(jīng)過不斷的比較測試后,設(shè)計獲得了一種深度卷積神經(jīng)網(wǎng)絡(luò)。結(jié)果表明,在相同條件下,這種深度濾波的正確率不低于匹配濾波,運算速度卻是匹配濾波的13倍(如圖2)。使用深度學(xué)習(xí)來檢測引力波的另一個優(yōu)勢是神經(jīng)網(wǎng)絡(luò)可以進(jìn)行遷移學(xué)習(xí)[3]。將設(shè)計好的模型在一個大型數(shù)據(jù)集中完成訓(xùn)練,只需要進(jìn)行參數(shù)微調(diào)即可在其他數(shù)據(jù)集上使用。這種無監(jiān)督模型使用范圍更廣,無需匹配濾波方法一般的完備的理論模板,可自動區(qū)分各種噪聲,并檢測出引力波。這種方法已經(jīng)成功的在LIGO真實數(shù)據(jù)中檢測出前3個引力波信號數(shù)據(jù)[4]。

Bahaadini等人[12]還提出了一種深度多視圖卷積神經(jīng)網(wǎng)絡(luò)來自動分類毛刺,來提高分類的整體準(zhǔn)確性。與傳統(tǒng)的僅使用單視圖模型的標(biāo)準(zhǔn)方法相比,他們提出了4輸入模型,即使用毛刺的4個不同的持續(xù)時間0.5 s、1 s、2 s、4 s來繪制毛刺(如圖4)。測試分析結(jié)果表明,具有較短毛刺的單視圖模型對于較短毛刺的類性能更好,具有較長毛刺的單視圖模型對于較長毛刺的類性能更好。而他們所提出的多視圖模型比單視圖模型的分類精度高。圖4 具有4個視圖的Helix glitches的示例

【參考文獻(xiàn)】：
期刊論文
[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]深度學(xué)習(xí)在引力波數(shù)據(jù)處理中的應(yīng)用初探[J]. 曹周鍵,王赫,朱建陽.  河南師范大學(xué)學(xué)報(自然科學(xué)版). 2018(02)



本文編號：3467496