中國(guó)科學(xué)院上海天文臺(tái)和中國(guó)科學(xué)院大學(xué)等的科研人員在空間引力波探測(cè)信號(hào)識(shí)別領(lǐng)域取得進(jìn)展。該團(tuán)隊(duì)開(kāi)發(fā)出基于深度學(xué)習(xí)的創(chuàng)新方法，可高效探測(cè)和分析空間引力波探測(cè)器的極端質(zhì)量比旋近（EMRIs）信號(hào)，將為未來(lái)空間引力波探測(cè)與數(shù)據(jù)分析提供參考。相關(guān)研究成果在線發(fā)表在《中國(guó)科學(xué)：物理、力學(xué)和天文學(xué)》上。
自2015年首次探測(cè)到引力波以來(lái)，地面引力波探測(cè)器已探測(cè)到超過(guò)100例引力波事件。這些地面探測(cè)器的探測(cè)頻段在幾十到幾百赫茲之間。為探索低頻引力波源，科學(xué)界正積極籌備空間引力波探測(cè)計(jì)劃。
空間引力波探測(cè)的重要目標(biāo)之一是極端質(zhì)量比旋近系統(tǒng)。這類系統(tǒng)由一顆恒星級(jí)黑洞圍繞中心的超大質(zhì)量黑洞旋轉(zhuǎn)而成。研究EMRIs系統(tǒng)，能夠幫助科學(xué)家精確檢驗(yàn)廣義相對(duì)論，繪制超大質(zhì)量黑洞周圍的時(shí)空?qǐng)D，驗(yàn)證“無(wú)毛定理”，有望揭示超大質(zhì)量黑洞的質(zhì)量分布及其與宿主星系的共同演化歷史。
而EMRI信號(hào)的探測(cè)和分析面臨挑戰(zhàn)。這類信號(hào)可持續(xù)數(shù)年之久，且特征復(fù)雜、強(qiáng)度微弱，需要大量的計(jì)算資源來(lái)生成高精度波形模板。傳統(tǒng)的匹配濾波和貝葉斯參數(shù)估計(jì)方法需要海量的EMRI波形模板來(lái)覆蓋多維參數(shù)空間且計(jì)算成本高昂。更棘手的是，EMRIs信號(hào)的精確建模困難，而傳統(tǒng)方法依賴于模板的準(zhǔn)確性。
針對(duì)上述挑戰(zhàn)，該團(tuán)隊(duì)創(chuàng)新性地提出了基于深度學(xué)習(xí)的完整解決方案。在時(shí)頻域進(jìn)行信號(hào)分析時(shí)，團(tuán)隊(duì)設(shè)計(jì)的二層卷積神經(jīng)網(wǎng)絡(luò)展現(xiàn)出優(yōu)異的探測(cè)性能。對(duì)信噪比50至100范圍內(nèi)的信號(hào)，在1%的誤報(bào)率下可實(shí)現(xiàn)96.9%的真實(shí)探測(cè)率。為驗(yàn)證這一方法的普適性，科研人員進(jìn)行模板依賴性測(cè)試。結(jié)果表明，即使注入與訓(xùn)練數(shù)據(jù)不同模型生成的信號(hào)，該方法仍可以保持穩(wěn)定的探測(cè)性能。這表明，該方法對(duì)理論模型的依賴程度較低，并提升了實(shí)際探測(cè)的應(yīng)用價(jià)值。
進(jìn)一步，在探測(cè)到信號(hào)后，該團(tuán)隊(duì)采用UNet網(wǎng)絡(luò)在噪聲中提取EMRI信號(hào)，并通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)關(guān)鍵參數(shù)的精確估計(jì)。超大質(zhì)量黑洞的質(zhì)量估計(jì)準(zhǔn)確率達(dá)99%，自旋參數(shù)估計(jì)準(zhǔn)確率達(dá)92%。同時(shí)，神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測(cè)軌道初始偏心率等參數(shù)。這為未來(lái)的引力波數(shù)據(jù)分析提供了新思路。
論文鏈接
EMRI示意圖（左）；一年的空間引力波探測(cè)數(shù)據(jù)和EMRI波形（右）
本文鏈接：空間引力波探測(cè)信號(hào)識(shí)別研究獲進(jìn)展http://m.lensthegame.com/show-12-502-0.html
聲明：本網(wǎng)站為非營(yíng)利性網(wǎng)站，本網(wǎng)頁(yè)內(nèi)容由互聯(lián)網(wǎng)博主自發(fā)貢獻(xiàn)，不代表本站觀點(diǎn)，本站不承擔(dān)任何法律責(zé)任，僅提供存儲(chǔ)服務(wù)。天上不會(huì)到餡餅，請(qǐng)大家謹(jǐn)防詐騙！若有侵權(quán)等問(wèn)題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。
上一篇： 科學(xué)家設(shè)計(jì)出基于圖表示學(xué)習(xí)和蛋白質(zhì)語(yǔ)言模型的深度生成算法
下一篇： 研究揭示養(yǎng)分類型效應(yīng)與數(shù)量效應(yīng)引起草地植物多樣性喪失機(jī)制