引力波数据分析中的人工智能方法
(Source: gwai-monograph)Overview
《引力波数据分析中的人工智能方法》是一部面向引力波数据分析与 AI for Science 交叉领域的开源专著（初稿）。作者：王赫。
本书系统梳理人工智能方法在引力波数据分析中的应用，从信号识别、参数估计到模拟推断，构建物理驱动与数据驱动相融合的方法论体系。全书分为五个部分、共十二章，逻辑递进地呈现从经典方法的局限，到机器学习、生成模型与模拟推断、智能化搜索，再到空间引力波探测前沿挑战与展望的完整脉络。
适合引力波数据分析、机器学习与 AI for Science 方向的研究生、研究者与工程师阅读；不要求引力波物理专业背景。
- 网页版（HTML）：开始阅读
- PDF 版：book_main.pdf（约 18 MB）
- GitHub 仓库：iphysresearch/gwai-monograph
全书结构（5 部 12 章）
| 部 | 章 |
|---|---|
| 第一部 理论基础与背景 | 1 绪论 · 2 引力波信号与噪声建模 |
| 第二部 传统方法与局限 | 3 经典数据分析方法 · 4 高维参数空间与多模态挑战 |
| 第三部 人工智能新方法 | 5 机器学习信号识别 · 6 生成模型与模拟推断(SBI) · 7 智能化信号分离与去噪 |
| 第四部 综合创新与融合 | 8 智能化启发式搜索 · 9 物理驱动与数据驱动融合 |
| 第五部 前沿挑战与展望 | 10 空间引力波探测数据挑战 · 11 发展趋势 · 12 结语 |
章节速览
- I 理论基础与背景：引力波天文学发展、信号与噪声建模、数据分析任务层次
- II 经典方法及其边界：匹配滤波、贝叶斯推断，以及高维/多模态/非平稳噪声下的可扩展性局限
- III 人工智能数据分析方法：CNN 信号识别、归一化流与 SBI、WaveFormer 等去噪与分离方法
- IV 物理约束与智能方法融合：LLM/启发式自动算法发现（如 Evo-MCTS）、物理–数据驱动协同推断
- V 空间任务挑战与展望：全局拟合、非稳态噪声、太极挑战赛、可信智能引力波天文学
本地构建
PDF（tectonic）
./build.sh # 编译 book_main.tex → book_main.pdf
HTML（make4ht / tex4ht）
./build_html.sh
python3 -m http.server -d site 8000 # 浏览器打开 http://localhost:8000/
产物在 site/：目录页 + 各章 HTML；公式由 MathJax 渲染，TikZ 示意图预渲染为 PNG。
部署
站点托管于 GitHub Pages（gh-pages 分支）：
./build_html.sh
./deploy_ghpages.sh /path/to/repo
也可使用仓库内 GitHub Actions 工作流自动构建部署。
Resources
- 在线阅读：book_html.html
- 站点首页：iphysresearch.github.io/gwai-monograph
- 源码与 PDF：GitHub
- 相关：博士论文在线版
License
正文版权归作者及出版社所有；转载或引用请注明出处。欢迎通过 GitHub Issues 提交勘误与建议。
