[论文解读] Deep Learning-based Search for Microlensing Signature from Binary Black Hole Events in GWTC-1 and -2

Kyungmin Kim, J. Lee+2 more|arXiv (Cornell University)|Jun 16, 2022

Pulsars and Gravitational Waves Research被引用 4

一句话总结

本研究首次基于深度学习方法，在GWTC-1和GWTC-2的双黑洞（BBH）事件引力波中搜索微引力透镜信号。采用基于VGG-19的卷积神经网络，对模拟信号的时频图进行训练，方法将事件分类为透镜化或未透镜化；尽管GW190707_093326表现出0.984的高置信度中位概率，表明其可能为透镜化信号，但不确定性分析表明其极不可能为真实透镜化信号，因此结论为未检测到显著的微引力透镜信号。

ABSTRACT

We present the result of the first deep learning-based search for the signature of microlensing in gravitational waves. This search seeks the signature induced by lenses with masses between $10^3M_\odot$--$10^5M_\odot$ from spectrograms of the binary black hole events in the first and second gravitational-wave transient catalogs. We use a deep learning model trained with spectrograms of simulated noisy gravitational-wave signals to classify the events into two classes, lensed or unlensed. We introduce ensemble learning and a majority voting-based consistency test for the predictions of ensemble learners. The classification scheme of this search primarily classifies one event, GW190707_093326, into the lensed class. To verify the primary classification of this event, we also examine the median probability to the lensed class and observe the resulting value, $0.984^{+0.012}_{-0.342}$, agrees with an empirical criterion $>\!0.6$ for claiming the detection of a lensed signal. However, the uncertainty of the estimated $p$-value for the median probability and error, ranging from 0 to 0.1, convinces us GW190707_093326 is less likely a lensed event because it includes $p\!\geq\!0.05$ where the unlensed hypothesis is true. Therefore, we conclude our search finds no significant evidence of microlensing signature from the evaluated binary black hole events.

研究动机与目标

• 利用深度学习检测GWTC-1和GWTC-2中双黑洞事件的引力波微引力透镜信号。
• 解决在噪声引力波数据中识别微弱、具有拍频特征的微引力透镜信号的挑战。
• 开发并验证一种集成深度学习框架，以高可靠性区分透镜化与未透镜化信号。
• 通过概率分类方法检验现有BBH事件是否在统计学上表现出微引力透镜的显著证据。

提出的方法

• 基于VGG-19的深度学习模型在包含和不包含微引力透镜效应的模拟引力波信号时频图上进行训练。
• 模型以时频图图像为输入，将事件分类为两类：透镜化或未透镜化。
• 通过训练10个独立模型，采用集成学习方法以提高鲁棒性并减少过拟合。
• 应用多数投票和集成成员间的一致性测试，以增强预测的可靠性。
• 计算集成预测中透镜化类别的中位概率，以评估分类的置信度。
• 对中位概率进行统计不确定性分析，以评估透镜化事件声明的有效性。

实验结果

研究问题

• RQ1 深度学习能否在GWTC-1和GWTC-2的双黑洞并合引力波信号中检测到微引力透镜信号？
• RQ2 基于深度学习分类结果，GW190707_093326是否为微引力透镜的统计显著候选？
• RQ3 集成深度学习预测在从噪声数据中识别微弱微引力透镜引起的拍频模式方面有多可靠？
• RQ4 中位概率的不确定性是否支持或否定候选事件的透镜化假设？
• RQ5 所提出的方法能否有效区分BBH事件中的微引力透镜效应与本征信号特征？

主要发现

• 深度学习模型在区分透镜化与未透镜化信号方面表现优异，所有集成学习器的效率均超过92%，受试者工作特征曲线下面积（AUC）超过0.99。
• GW190707_093326在所有事件中获得最高的中位概率0.984，超过经验阈值0.6。
• 尽管概率较高，其中位概率的不确定性范围（0.0至0.1）包含未透镜化假设成立的值（p ≥ 0.05），表明对透镜化分类的置信度较低。
• 集成模型未表现出过拟合或欠拟合迹象，训练与验证损失曲线平稳收敛。
• 该搜索在GWTC-1和GWTC-2的46个BBH事件中均未发现统计学上显著的微引力透镜证据。
• 本研究结论为：当前GWTC-1和GWTC-2的数据不支持质量介于10³至10⁵ M☉的透镜存在可探测的微引力透镜信号。