深度学习驱动的双黑洞波形数值相对论代理模型-计算机科学-深度学习-引力波天文学.pdfVIP

深度学习驱动的双黑洞波形数值相对论代理模型

1,2,23,21,2

OsvaldoGramaxoFreitas,AnastasiosTheodoropoulos,NinoVillanueva,TiagoFernandes,Solange

12,412,43,5

Nunes,JoséA.Font,AntonioOnofre,AlejandroTorres-Forné,andJoséD.Martin-Guerrero

1CentrodeFísicadasUniversidadesdoMinhoedoPorto(CF-UM-UP),

UniversidadedoMinho,4710–057Braga,Portugal

2DepartamentodeAstronomíayAstrofísica,UniversitatdeValència,

Dr.Moliner50,46100,Burjassot(València),Spain

3IDAL,ElectronicEngineeringDepartment,ETSE-UV,UniversityofValencia,

Avgda.Universitats/n,46100Burjassot,Valencia,Spain

4ObservatoriAstronòmic,UniversitatdeValència,

CatedráticoJoséBeltrán2,46980,Paterna(València),Spain

5ValencianGraduateSchoolandResearchNetworkofArtificialIntelligence(ValgrAI),Spain

(10Dated:2025年7月5日)

引力波近似值对于引力波天文学至关重要，允许在不进行成本高昂的数值相对论（NR）模拟的情况

本下覆盖双黑洞参数空间以进行推断或匹配滤波，但通常会为了计算效率牺牲一些准确性。为了减少这

种折衷，可以使用NR波形空间内的插值来构建NR代理模型。我们提出了一种基于神经网络的NR

译代理模型的两阶段训练方法。初始时在近似值生成的波形上进行训练，然后用NR数据微调，这些双

中阶段人工神经代理（丹苏尔）模型可以快速且准确地生成波形，在GPU上可以在20毫秒内生成数百

万个波形，同时与NR保持平均不匹配度在104左右。在兔耳袋狸框架中实现后，我们展示了它们可

2

v用于参数估计任务。

6

4

9I.引言物理参数的情况下引力波应该看起来的样子。由于它

6

0们最终会与（并且经常根据）数值相对论波形目录进

.

2引力波（GW）天文学是一个计算密集型领域。在行测试（如SXS合作组生产的那些[10]），近似值通

1

4LIGO-Virgo-KAGRA（LVK）合作组织[1–3]中，有常非常准确，确实使得迄今为止检测到的所有引力波

2许多检测管道(GstLAL[4],MBTA[5],PyCBC[6],信号的分析成为可能[11–14]。

:

vSPIIR