Identify real gravitational wave events in the LIGO-Virgo catalog GWTC-1 and GWTC-2 with convolutional neural network
Identify real gravitational wave events in the LIGO-Virgo catalog GWTC-1 and GWTC-2 with convolutional neural network
复制标题
使用卷积神经网络识别 LIGO-Virgo 目录 GWTC-1 和 GWTC-2 中的真实引力波事件
DOI：
10.1007/s11467-021-1150-1
复制
发表时间：
2022-03
影响因子：
7.5
通讯作者：
Jin Li
中科院分区：
文献类型：
--
作者：
Meng-Qin Jiang;Nan Yang;Jin Li
近年来，机器学习模型被引入到引力波数据处理领域。本文将卷积神经网络（CNN）应用到LIGO O1、O2、O3a数据分析中，搜索已释放的双黑洞（BBH）并合事件(这里排除了双中子星（BNS）并合事件，以及未被Hanford （H)和Livingston (L)探测器同时检测到的事件），并采用时间滑动法降低虚警率（FAR）。结果表明，我们的CNN模型可以成功地对41个已确认的BBH并购GW事件进行分类。进一步，通过限制LIGO O2实时序列中连续截获的序列样本的连续预警次数，并剔除H和L噪声的重合，将FAR限制在2个月以内。有助于推进LIGO数据的实时处理。
In recent years, machine learning models have been introduced into the field of gravitational wave (GW) data processing. In this paper, we apply the convolutional neural network (CNN) to LIGO O1, O2, O3a data analysis to search the released 41 GW events which are emitted from binary black hole (BBH) mergers (here we exclude the events from binary neutron star (BNS) mergers, and the events that are not detected simultaneously by Hanford (H) and Livingston (L) detectors), and use time sliding method to reduce the false alarm rate (FAR). According to the results, the 41 confirmed GW events of BBH mergers can be classified successfully by our CNN model. Furthermore, through restricting the number of consecutive prewarning from sequential samples intercepted continuously in LIGO O2 real time-series and vetoing the coincidences of noise from H and L, the FAR is limited to be less than once in 2 months. It is helpful to promote LIGO real time data processing.
登录
查看更多内容
DOI：
--
发表时间：
2019-02
期刊：
ArXiv
影响因子：
--
作者：
Gabrielle Allen;I. Andreoni;E. Bachelet;G. Berriman;F. Bianco;R. Biswas;M. Kind;K. Chard;
通讯作者：
Gabrielle Allen;I. Andreoni;E. Bachelet;G. Berriman;F. Bianco;R. Biswas;M. Kind;K. Chard;
基于有效一体数值相对论形式的偏心双黑洞波形模型
DOI：
10.1103/physrevd.96.044028
发表时间：
2017-08
期刊：
Physical Review D - Particles, Fields, Gravitation and Cosmology
影响因子：
--
作者：
Zhoujian Cao;Wen-Biao Han
通讯作者：
Wen-Biao Han
影响因子：
5
作者：
He Wang;Shichao Wu;Zhoujian Cao;Xiaolin Liu;Jianhua Zhu
通讯作者：
He Wang;Shichao Wu;Zhoujian Cao;Xiaolin Liu;Jianhua Zhu
影响因子：
4.4
作者：
Wei Wei-Wei;E. Huerta
通讯作者：
Wei Wei-Wei;E. Huerta
影响因子：
4.4
作者：
P. Krastev;K. Gill;V. Villar;E. Berger
通讯作者：
P. Krastev;K. Gill;V. Villar;E. Berger