中国科学院上海天文台和中国科学院大学等的科研人员在空间引力波探测信号识别领域取得进展。该团队开发出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的极端质量比旋近（EMRIs）信号，将为未来空间引力波探测与数据分析提供参考。相关研究成果在线发表在《中国科学：物理、力学和天文学》上。

 

　　自2015年首次探测到引力波以来，地面引力波探测器已探测到超过100例引力波事件。这些地面探测器的探测频段在几十到几百赫兹之间。为探索低频引力波源，科学界正积极筹备空间引力波探测计划。

 

　　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旋转而成。研究EMRIs系统，能够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”，有望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。

 

　　而EMRI信号的探测和分析面临挑战。这类信号可持续数年之久，且特征复杂、强度微弱，需要大量的计算资源来生成高精度波形模板。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且计算成本高昂。更棘手的是，EMRIs信号的精确建模困难，而传统方法依赖于模板的准确性。

 

　　针对上述挑战，该团队创新性地提出了基于深度学习的完整解决方案。在时频域进行信号分析时，团队设计的二层卷积神经网络展现出优异的探测性能。对信噪比50至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。为验证这一方法的普适性，科研人员进行模板依赖性测试。结果表明，即使注入与训练数据不同模型生成的信号，该方法仍可以保持稳定的探测性能。这表明，该方法对理论模型的依赖程度较低，并提升了实际探测的应用价值。

 

　　进一步，在探测到信号后，该团队采用UNet网络在噪声中提取EMRI信号，并通过神经网络实现关键参数的精确估计。超大质量黑洞的质量估计准确率达99%，自旋参数估计准确率达92%。同时，神经网络可以准确预测轨道初始偏心率等参数。这为未来的引力波数据分析提供了新思路。

 

　　EMRI示意图（左）；一年的空间引力波探测数据和EMRI波形（右）