Intelligent Noise Suppression for GW Observational Data

Abstract

在引力波天文学的兴起和更多致密双星并合系统引力波信号的发现之后，科学家们开始寻求通过提升数据质量来处理引力波观测数据中的复杂且显著的噪声。尽管最近的研究已经证明了机器学习技术在噪声去除方面的可行性，但这些技术却无法精确地重构引力波信号的幅度和相位。为了解决这个问题，我们开发了一个以深度神经网络为核心的数据处理流水线，名为WaveFormer。这个流水线能够显著抑制激光干涉引力波天文台（LIGO）观测数据的噪声响应，并能够重构引力波信号。WaveFormer的架构设计以科学驱动为特点，能够在非常宽的频谱上进行分层特征提取。实验结果显示，总体噪声和非高斯短时噪声脉冲（Glitch）的减少幅度超过了一个数量级，而引力波信号的相位和幅度重构误差分别约为1%和7%。此外，我们在现有LIGO观测运行中公开的双黑洞并合事件上实现了最先进的重构准确性，并在数据质量提升上实现了1386年的逆误报率的大幅改善。我们的工作不仅突显了人工智能大模型的潜力，而且还可以扩展到即将进行的引力波观测运行数据处理分析。这项研究为引力波天文学的未来发展提供了新的视角和工具，有望进一步推动这一领域的研究进展。