中國科學院上海天文臺和中國科學院大學等的科研人員在空間引力波探測信號識別領域取得進展。該團隊開發出基于深度學習的創新方法，可高效探測和分析空間引力波探測器的極端質量比旋近(EMRIs)信號，將為未來空間引力波探測與數據分析提供參考。相關研究成果在線發表在《中國科學：物理、力學和天文學》上。
 

　　自2015年首次探測到引力波以來，地面引力波探測器已探測到超過100例引力波事件。這些地面探測器的探測頻段在幾十到幾百赫茲之間。為探索低頻引力波源，科學界正積極籌備空間引力波探測計劃。
 

　　空間引力波探測的重要目標之一是極端質量比旋近系統。這類系統由一顆恒星級黑洞圍繞中心的超大質量黑洞旋轉而成。研究EMRIs系統，能夠幫助科學家精確檢驗廣義相對論，繪制超大質量黑洞周圍的時空圖，驗證“無毛定理”，有望揭示超大質量黑洞的質量分布及其與宿主星系的共同演化歷史。
 

　　而EMRI信號的探測和分析面臨挑戰。這類信號可持續數年之久，且特征復雜、強度微弱，需要大量的計算資源來生成高精度波形模板。傳統的匹配濾波和貝葉斯參數估計方法需要海量的EMRI波形模板來覆蓋多維參數空間且計算成本高昂。更棘手的是，EMRIs信號的精確建模困難，而傳統方法依賴于模板的準確性。
 

　　針對上述挑戰，該團隊創新性地提出了基于深度學習的完整解決方案。在時頻域進行信號分析時，團隊設計的二層卷積神經網絡展現出優異的探測性能。對信噪比50至100范圍內的信號，在1%的誤報率下可實現96.9%的真實探測率。為驗證這一方法的普適性，科研人員進行模板依賴性測試。結果表明，即使注入與訓練數據不同模型生成的信號，該方法仍可以保持穩定的探測性能。這表明，該方法對理論模型的依賴程度較低，并提升了實際探測的應用價值。
 

　　進一步，在探測到信號后，該團隊采用UNet網絡在噪聲中提取EMRI信號，并通過神經網絡實現關鍵參數的精確估計。超大質量黑洞的質量估計準確率達99%，自旋參數估計準確率達92%。同時，神經網絡可以準確預測軌道初始偏心率等參數。這為未來的引力波數據分析提供了新思路。
 

EMRI示意圖(左)；一年的空間引力波探測數據和EMRI波形(右)