中国科学院上海天文台、中国科学院大学等单位科研人员最近在空间引力波探测信号识别领域取得突破。团队开发出一种基于深度学习的创新方法，可高效探测和分析空间引力波探测器中的极端质量比旋近(EMRIs)信号。该研究成果已在线发表于《中国科学（英文版）：物理、力学和天文学》（SCIENCECHINA: Physics,Mechanics & Astronomy）上，可为未来空间引力波探测与数据分析提供重要参考。

自2015年首次探测到引力波以来，地面引力波探测器如LIGO、VIRGO和KAGRA已成功探测到超过一百例引力波事件。这些地面探测器的探测频段主要在几十到几百赫兹之间。为了探索低频引力波源（从0.1 mHz 到1 Hz），科学界正积极筹备太极、天琴和LISA等空间引力波探测计划。

论文通讯作者韩文标研究员介绍道空间引力波探测的重要目标之一是极端质量比旋近系统。这类系统由一颗恒星级黑洞围绕中心的超大质量黑洞（质量在10⁴到10⁷太阳质量之间）旋转而成（图1左）。研究EMRIs系统具有重要科学意义，它不仅能帮助科学家精确检验广义相对论，绘制超大质量黑洞周围的时空图，验证"无毛定理"，还能深入揭示超大质量黑洞的质量分布及其与宿主星系的共同演化历史。

图1：EMRI示意图（左）；一年的空间引力波探测数据和EMRI波形（右）。

然而，EMRI信号的探测和分析面临巨大挑战。这类信号可持续数年之久，且特征复杂、强度微弱（图1右），需要大量的计算资源来生成高精度波形模板。论文第一作者恽倩芸介绍道“传统的匹配滤波和贝叶斯参数估计方法需要海量的EMRI波形模板来覆盖多维参数空间，计算成本极其高昂。更棘手的是，EMRIs信号的精确建模十分困难，而传统方法又严重依赖于模板的准确性。”

针对这些挑战，研究团队创新性地提出了一套基于深度学习的完整解决方案。其设计的二层卷积神经网络在时频域进行信号分析，展现出卓越的探测性能。对信噪比50-100范围内的信号，在1%的误报率下可实现96.9%的真实探测率。为验证方法的普适性，团队还进行了模板依赖性测试。结果表明，即使注入与训练数据不同模型生成的信号，该方法仍能保持稳定的探测性能，见图2（左）。这一结果充分证明了该方法对理论模型的依赖程度较低，极大提升了其在实际探测中的应用价值。            

图2 （左）训练后的CNN模型用于检测由AAK（蓝色）和effective-one-body-Teukolsky (ET)（红色）波形模版生成的EMRI信号的ROC曲线。（右）用神经网络对提取的EMRI系统中中心超大质量黑洞参数估计的结果。

进一步地，在探测到信号后，团队采用UNet网络成功从噪声中提取出EMRI信号，并通过神经网络实现了关键参数的精确估计。超大质量黑洞的质量估计准确率达到99%，见图2（右），自旋参数估计准确率达92%，同时还能准确预测轨道初始偏心率等重要参数。这些突破性进展为未来的引力波数据分析提供了全新思路。

未来，研究团队还将降低可探测信号的信噪比阈值，解决多源叠加等更复杂的实际探测场景，为即将到来的空间引力波探测时代做好充分准备。

论文链接：https://www.sciengine.com/SCPMA/doi/10.1007/s11433-024-2500-x

科学联系人：韩文标 wbhan@shao.ac.cn