近期，中国科学院大学太极实验室团队在利用人工智能加速超大质量黑洞参数估计、提高引力波识别的可解释性方面取得新进展，相关成果分别发表在国际期刊《Physical Review D》和《Machine Learning: Science and Technology》上。
引力波的发现打开了研究宇宙与时空本质的新窗口，未来可通过多个引力波探测器联合观测来精确测量大质量双黑洞的质量、距离及天空位置等参数。然而，由于参数空间巨大，传统贝叶斯计算成本高昂。针对这一瓶颈，团队提出了一种深度学习辅助的高效参数推断方法。研究面向太极、LISA和天琴的联合观测场景，利用条件变分自编码器（CVAE）在约1秒内给出波源参数的初步估计，据此缩小参数搜索范围，而后利用传统贝叶斯分析获得精细的参数推断结果。对50组模拟信号的测试表明，该方法在保持与传统贝叶斯分析相近精度的同时，将分析速度提升了约6倍，为未来空间引力波联合观测中的高效数据分析提供了新途径。该成果由太极实验室博士研究生孙慧在何吉波教授的指导下完成，工作得到了王赫副研究员的支持。
图1：利用深度学习缩小参数搜索范围后，传统贝叶斯分析得到的波源参数分布（绿色）与采用完整搜索范围的结果（蓝色）高度一致，表明该方法能够在加速计算的同时保持相近的参数推断精度。
团队合作提出了将物理启发的可解释特征融入人工智能的引力波识别方法“卷积神经网络-随机森林”（CNN-RF），在提升弱信号检出能力的同时，让模型的判断依据更加透明。为打开神经网络识别引力波的“黑箱”，引入了具有物理意义的可解释特征：从卷积神经网络提取的特征中计算方差、信噪比、波形重叠度和峰值幅度，刻画信号自身的特征及其在LIGO两台探测器间的差异与一致性，如图2所示。而后结合网络输出的信号概率，由随机森林综合判别。在总时长一周的LIGO真实噪声数据中注入4万个模拟双黑洞并合信号后，测试表明：在每月10次误报率下，新模型的整体检出比例由基准模型的62%提高至75%，而且对弱信号的识别优势尤为突出，如图3所示。该成果由西华师范大学田军在太极实验室何吉波、王赫与西华师范大学蒋青权的联合指导下完成。
图2：四项可解释特征的分布。蓝色、橙色、绿色分别表示引力波信号、普通噪声和瞬态干扰。不同分布为模型区分三类数据提供依据。
图3：相同误报率下，不同强度信号（横轴）的检出比例（纵轴）。橙色曲线为新模型，蓝色为基准模型；新模型在弱信号区间的优势明显。
文章链接：
