Searching for binary black hole mergers with deep learning in Advanced LIGO's third observing run

技术摘要：利用深度学习在 Advanced LIGO 第三次观测运行中搜索双黑洞并合

问题陈述
紧凑双星并合产生的引力波（GW）检测已成为常规，但发现新的、独特的候选事件仍是一个关键的研究领域。虽然 LIGO-Virgo-KAGRA (LVK) 合作组利用了成熟的匹配滤波流水线（如 PyCBC、GstLAL、MBTA）和无模型爆发搜索（cWB），但独立的离线搜索仍在持续识别额外的候选事件和独特事件。现有的深度学习方法（如 AresGW、Aframe）已显示出潜力，但其结果往往与标准目录高度重叠。本研究旨在解决的问题是开发一种混合搜索流水线，将匹配滤波的鲁棒性与深度学习的模式识别能力相结合，以从探测器应变数据中识别恒星级双黑洞（BBH）候选事件，特别旨在恢复独特事件，并在第三次观测运行（O3）期间针对现有 LVK 流水线的灵敏度进行基准测试。

方法论
作者开发了一种处理来自 LIGO Hanford (H1) 和 Livingston (L1) 探测器数据的混合搜索流水线。工作流程如下：

1. 匹配滤波与触发生成： 该流水线使用包含 97,802 个 BBH 波形（SEOBNRv4 ROM 近似解）的模板库进行匹配滤波，其中分量质量 $>2 M_\odot$，低频截止频率为 15 Hz。寻峰算法用于识别满足以下条件的触发器：至少在一个探测器中信噪比（SNR）超过 4，且在另一个探测器中需在光行时（$\sim10$ ms）内存在协同峰值。
2. 深度学习分类： 对于每一秒的数据，选择信噪比最高的十个模板。该 SNR 时间序列被输入到一个预训练的深度学习模型中（基于具有卷积层和全连接层的 ResNet 架构）。模型在 1 秒的窗口内以 16 个步骤（增量为 1/16 秒）处理时间序列。
3. 排序统计量： 模型对每个步骤输出一个预测值。流水线对这十个模板的逐步预测进行平均，并选择平均预测值最高的单个模板作为该秒的排序统计量。
4. 训练策略： 模型使用源自 O3 数据的 1 秒 SNR 时间序列样本进行训练。数据集平衡了纯噪声、受故障（通过 Omicron 识别）污染的噪声以及注入的 BBH 信号。至关重要的是，注入分布经过人工控制，以确保高质量系统有足够的代表性，这类系统在天体物理先验中往往代表性不足。故障在频率上与信号对齐，以在训练期间最大化相互作用。
5. 显著性估计：
   • 误报率 (FAR)： 通过分析时间偏移数据（将探测器解耦 $>10$ ms）来创建背景分布噪声触发器。
   • 天体物理起源概率 ($p_{astro}$)： 使用信号对比噪声的贝叶斯因子计算，将前景（信号）和背景（噪声）建模为独立的泊松过程。参数经过注入实验调优，以确保 $p_{astro} \ge 0.5$ 的阈值对应于背景与前景触发密度的一个特定交集。

核心贡献与结果

• 灵敏度基准测试： 该流水线使用来自 GWTC-3 注入集的 83,815 个注入 BBH 信号进行了测试。对于源框架啁长质量大于 $25 M_\odot$ 的信号，这种混合方法表现出与现有流水线（PyCBC-BBH、GstLAL 等）相当的灵敏度。然而，对于啁长质量低于此阈值且网络 SNR 小于 15 的信号，灵敏度有所下降。
• 独特探测： 在 O3 数据中，该搜索发现了 33 个符合 $p_{astro} \ge 0.5$ 且 FAR $< 2$ 每天的候选事件。
  • 恢复情况： 这 33 个候选事件中有 31 个与 LVK 的 GWTC-3 目录相匹配。
  • 新/独特候选事件： 搜索识别出了两个额外的候选事件：
    1. GW190605 025957： 此前仅由高等研究院（IAS）的高阶模搜索报告。作者指出可能存在数据质量问题（瞬态噪声事件），但确认了该候选事件在其流水线中的显著性。
    2. GW190929 091722： 一个此前未被报道的候选事件，$p_{astro}$ 为 0.63。参数估计表明其总质量很高（$171^{+172}_{-58} M_\odot$），且有显著概率表明其主要成分是一个可能位于对不稳定质量间隙（pair-instability mass gap）的中等质量黑洞（IMBH）。
• 深度学习 vs. 模板库： 一项使用与深度学习搜索具有 相同 模板库的 PyCBC 流水线进行的对比研究证实，独特的探测能力源于深度学习的排序统计量，而非模板库的选择。相比于标准的 PyCBC 统计量，深度学习方法识别出了显著更多的独特事件（在特定的测试窗口内为 348 个对比 23 个）。
• 漏检候选事件： 作者分析了 75 个漏检候选事件（即被其他流水线检测到但未被本研究检测到的事件）。大多数漏检归因于该流水线对低质量系统（啁长质量 $< 25 M_\odot$）和低 SNR 事件的灵敏度较低。其他漏检是由设计约束引起的，例如数据段切除（前 200 秒和最后 24 秒）以及故障对长持续时间模板的干扰。

意义与主张
论文声称，所提出的混合搜索流水线成功识别了一群重要的独特引力波候选事件，这些事件被传统使用标准排序统计量的匹配滤波流水线所遗漏。虽然该方法目前在低质量双星方面的灵敏度低于优化后的流水线，但其探测高质量 BBH 并合及独特事件的能力证明了将深度学习分类器集成到引力波搜索流水线中的价值。

作者强调，独特的探测是深度学习模型能够以不同于传统统计方法的方式，在 SNR 时间序列中区分信号与噪声的直接结果。他们总结道，虽然目前的实现需要在低质量灵敏度和抗故障鲁棒性方面进行优化，但这种混合方法提供了一种互补的搜索策略，增强了 LVK 观测运行的整体发现潜力。对 GW190929 071722 作为潜在 IMBH 候选事件的识别，突显了该流水线在探索极端质量机制方面的实用性，尽管仍需要进一步验证（例如专门的 IMBH 搜索）。