应用于引力波探测的深度学习网络结构复杂度研究

摘要

深度学习用于引力波探测是近几年的研究热点。匹配滤波法可以看作模板存储于卷积核参数中的单卷积层的神经网络,通过加深模型的深度可以在参数大大减少的同时得到相似的探测效果。对不同的卷积核大小、卷积核的数量(模型的宽度)、卷积层的数量(模型的深度)的深度学习引力波探测模型进行了讨论。另外,对全连接层前采用批量归一优化(batch normalization,BN)模型的探测效果进行了研究,发现单卷积层的模型在加入BN后的探测精度由50%左右提高到了90%以上。研究结果为匹配滤波模板数量的压缩提供了潜在的新方法,匹配滤波后通过BN层和全连接层也许能够大大减少匹配模板数量。