This paper presents a deep convolutional neural network that can reproduce the sensitivity of a matched-filtering search for binary black hole gravitational-wave signals.
The standard method for detecting well-modeled transient gravitational-wave signals is matched filtering, but this becomes computationally expensive as low-frequency sensitivity improves in gravitational-wave detectors.
Convolutional neural networks provide a highly efficient method for signal identification where most calculations are performed during the training process before data taking.
The network uses only whitened time series of measured gravitational-wave strain as input and is trained and tested on simulated binary black hole signals in synthetic Gaussian noise representative of Advanced LIGO sensitivity.

이 논문은 이진 검정 황금 波 신호에 대한 매칭 필터링 검색의 감각을 재현할 수 있는 깊이 존재 네트워크를 제시합니다.
잘 모델화된 희소 광파동 신호에 대한 표준 방법은 매칭 필터링입니다만, 광파동 감지기의 낮은 주파수 감각 감각이 향상되면서 계산 비용이 증가합니다.
컨볼루션 네트워크는 신호를 식별하는 데 있어 계산 비용이 최적화된 방법을 제공하며, 학습 과정에서 데이터 수집 전에 대부분의 계산을 수행합니다.
네트워크는 착오된 시간 시리어스를 입력으로 사용하고 이진 검정 황금 波 신호에 대한 심층적인 가우시안 높음 노이즈와 함께 학습 및 테스트를 수행합니다.
Technical terms explanation:
1.
Convolutional neural networks (컨볼루션 네트워크): 컨볼루션 네트워크는 이미지, 음성 등과 같은 데이터를 처리하기 위한 인공 신경망 구조입니다.
2.
Binary black hole (이진 검정 황금 波): 두 개의 검정 황금 波가 합성된 이진 체를 지칭합니다.
3.
Gaussian noise (가우시안 노이즈): 가우시안 분포로부터 발생한 랜덤 변동을 의미합니다.
Related papers or resources:
* [1] Title: First paper, Author/Source: First source, URL
* [2] Title: Second paper, Author/Source: Second source, URL

arXiv:1712.06041v2 [astro-ph.IM] 19 Dec 2017 Matching matched filtering with deep networks for gravitational-wave astronomy Hunter Gabbard,∗Michael Williams, Fergus Hayes, and Chris Messenger SUPA, School of Physics and Astronomy, University of Glasgow, Glasgow G12 8QQ, United Kingdom (Dated: December 21, 2017) We report on the construction of a deep convolutional neural network that can reproduce the sen- sitivity of a matched-filtering search for binary black hole gravitational-wave signals. The standard method for the detection of well modeled transient gravitational-wave signals is matched filtering. However, the computational cost of such searches in low latency will grow dramatically as the low frequency sensitivity of gravitational-wave detectors improves. Convolutional neural networks pro- vide a highly computationally efficient method for signal identification in which the majority of calculations are performed prior to data taking during a training process. We use only whitened time series of measured gravitational-wave strain as an input, and we train and test on simulated bi- nary black hole signals in synthetic Gaussian noise representative of Advanced LIGO sensitivity. We show that our network can classify signal from noise with a performance that emulates that of match filtering applied to the same datasets when considering the sensitivity defined by Reciever-Operator characteristics. Introduction.— The field of gravitational-wave astron- omy has seen an explosion of compact binary coales- cence detections over the past several years. The first of these were binary black hole detections [1–3] and more recently the advanced detector network made the first detection of a binary neutron star system [4]. This lat- ter event was seen in conjunction with a gamma-ray burst [5–7] and multiple post-merger electromagnetic sig- natures [8]. These detections were made possible by the Advanced Laser Interferometer Gravitational wave Ob- servatory (aLIGO) detectors, as well as the recent joint detections of GW170814 and GW170817 with Advanced Virgo [4, 9]. Over the coming years many more such observations, including binary black hole (BBH), binary neutron stars, as well as other more exotic sources are likely to be observed on a more frequent basis. As such, the need for more efficient search methods will be more pertinent as the detectors increase in sensitivity. The algorithms used by the search pipelines to make detections [10–12] are, in general, computationally ex- pensive. The methods used are complex, sophisticated processes computed over a large parameter space using advanced signal processing techniques. The computa- tional cost to run the search analysis is due to the large parameter space and the increasing cost of analysing longer duration waveforms as the low frequency sensitiv- ity of the detectors improves. Distinguishing noise from signal in these search pipelines is acheived using a tech- nique known as template based matched-filtering. Matched-filtering uses a bank [12–16] of template waveforms [17–20] each with different component mass components and/or spin values. A template bank will span a large astrophysical parameter space since we do not know a priori the true gravitational-waves parameter values. Waveform models that cover the inspiral, merger, and ringdown phases of a compact binary coalescence are based on…

ARXIV : 1712.06041V2 [Astro-PH.IM] 2017 년 12 월 19 일 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치하는 일치 파이어링, 중력 천문학 Hunter Gabbard, * Michael Williams, Fergus Hayes 및 Chris Messenger Supa, 물리 및 천문학 학교, 글래스고 대학교, 글래스고 G12 8QQ, 2017 년 12 월 21 일, 21 일, 21 일 이진 블랙홀 중력파 신호에 대한 일치하는 검색의 상원성을 재현 할 수있는 깊은 컨볼 루션 신경망의 구성.
잘 모델링 된 일시적 중력파 신호를 감지하기위한 표준 방법은 필터링됩니다.
그러나 낮은 대기 시간에서 이러한 검색의 계산 비용은 중력파 탐지기의 저주파 민감도가 향상됨에 따라 극적으로 증가 할 것입니다.
Convolutional Neural Networks는 교육 프로세스 중에 데이터를 수집하기 전에 대부분의 계산이 수행되는 신호 식별을위한 매우 계산적으로 효율적인 방법을 제공합니다.
우리는 입력으로 측정 된 중력파 변형의 미백 시계열 만 사용하며, 고급 리고 민감도를 대표하는 합성 가우스 노이즈에서 시뮬레이션 된 비 블랙홀 신호를 훈련하고 테스트합니다.
우리는 우리의 네트워크가 Reciever-operator 특성에 의해 정의 된 감도를 고려할 때 동일한 데이터 세트에 적용되는 일치 필터링을 에뮬레이션하는 성능으로 노이즈에서 신호를 분류 할 수 있음을 보여줍니다.
서론 .— 중력 파 애스트 론 오미의 필드는 지난 몇 년 동안 소형 이진 석탄 탐지의 폭발을 보았다.
이들 중 첫 번째는 이진 블랙홀 탐지 [1-3]였으며, 최근에는 고급 탐지기 네트워크가 이진 중성자 별 시스템의 첫 번째 탐지를 만들었습니다 [4].
이 라터 사건은 감마선 버스트 [5-7] 및 다중 상수 전자기 신성 시설 [8]과 함께 보였다.
이러한 탐지는 Aligo (Advanced Laser Interferomer Mavitational Wave Observatory) 검출기뿐만 아니라 고급 Virgo와 함께 GW170814 및 GW170817의 최근 공동 검출에 의해 가능해졌습니다 [4, 9].
앞으로 몇 년 동안 이진 블랙홀 (BBH), 이진 중성자 별, 다른 이국적인 출처를 포함한 더 많은 관측치가 더 빈번하게 관찰 될 수 있습니다.
따라서 감지기가 감도가 증가함에 따라보다 효율적인 검색 방법의 필요성이 더 적합합니다.
검색 파이프 라인이 탐지하기 위해 사용하는 알고리즘 [10–12]은 일반적으로 계산적으로 적용됩니다.
사용 된 방법은 고급 신호 처리 기술을 사용하여 큰 매개 변수 공간을 통해 계산 된 복잡하고 정교한 프로세스입니다.
검색 분석을 실행하는 계산 비용은 검출기의 저주파 민감도가 향상됨에 따라 매개 변수 공간이 크고 더 긴 지속 시간 파형을 분석하는 데 드는 비용이 증가하기 때문입니다.
이 검색 파이프 라인에서 신호와의 소음을 구별하는 것은 템플릿 기반 일치하는 필터링으로 알려진 기술을 사용하여 달성됩니다.
일치하는 필터링은 각각 다른 구성 요소 질량 구성 요소 및/또는 스핀 값을 갖는 템플릿 파형 [17–20]의 은행 [12–16]을 사용합니다.
템플릿 뱅크는 우리가 진정한 중력파 매개 변수 값을 선험적으로 알지 못하기 때문에 큰 천체 물리적 매개 변수 공간에 걸쳐 있습니다.
소형 이진 유착의 영감, 합병 및 벨소리 단계를 다루는 파형 모델은 …