引力波选择效应要算上百万次信噪比：asmaNet用73.2万参数在单GPU上每秒算约12万次
核心概要
引力波族群研究要反复评估上百万个模拟双黑洞的可探测性，每次都要生成波形再做噪声加权内积，累计成本很高。asmaNet把11维双黑洞参数直接映射到单探测器相位平均最优信噪比，在10万到100万样本的匹配训练协议下，于每个数据规模都优于MLP、1D-ResNet和Transformer编码器基线，模型仅约73.2万参数。在100万样本的留出测试集上，经保序单调校准后准确率达到99.29%，单GPU每秒可完成约12万次信噪比评估。
深度剖析
一个紧凑神经网络可以直接从双黑洞参数给出信噪比，省去每次评估都生成波形并计算噪声加权内积的步骤。 此前的快速信噪比替代模型几乎都用普通多层感知机，输入是低维内禀参数；生产工具gwsnr的神经估计器只用五个工程化标量输入，把自旋压缩成一个有效自旋。 在10万、50万和100万样本三个规模上，同一套训练协议下asmaNet在每一个规模都优于MLP、1D-ResNet和Transformer编码器基线；100万样本时校准后准确率为99.29%，ResNet、Transformer和MLP分别为相应较低的值。
网络把11维输入先变成一小组可学习令牌，再让这些令牌依次经过有序的多个阶段逐级细化。 每个阶段在标准Transformer编码层之后接一个Φ-Refractor模块，把嵌入维度切成若干子空间，各自过独立的两层MLP，再用softmax门控加权残差合并。 在100万样本的留出测试集上，检测相关区间（最优信噪比不低于8）内校准后准确率为99.36%，线性信噪比空间的平均绝对百分比误差为0.64%。
细化后的令牌还会经过若干次自顶向下的门控反馈，把高层上下文注入低层再重新前向计算。 这些反馈迭代复用同一套阶段权重和门控权重，增加迭代次数不增加参数量，只增加每次前向的计算量。 在单块RTX 4080上，对一份10万条注入的独立数据集完成端到端评估（含数据加载、前向、指标计算和校准）约需8.3秒，对应每秒约12万次信噪比评估；传统方法在16核CPU上算同一批约需980秒。
启示与展望
演示范围限于LIGO-Hanford单探测器、Advanced LIGO设计灵敏度下的固定噪声功率谱，以及IMRPhenomXPHM波形近似下的进动、含高阶模式双黑洞，输入是11维参数与天线方向图投影而非探测器应变。最优信噪比按距离精确反比缩放，因此单一参考距离训练的结果可在查询时换算到任意光度距离；作者提出下一步按探测器各训一个替代模型并在平方和意义下合成网络结果，以及针对不同观测时段的噪声谱重训或条件化。
作者明确说明，把增益归因到单个组件需要更详尽的消融；Φ-Refractor在信噪比任务上的开/关差异多落在运行间波动范围内，仅在10万样本时呈现较稳定的关闭更优，默认开启主要依据公开表格基准上的更大收益。训练标签继承IMRPhenomXPHM近似在高质量比与大面内自旋角落的模型系统误差，且训练用的极角均匀采样并非各向同性测度。向其他噪声谱、观测时段或探测器网络的迁移尚未建立，硬阈值可探测性只是精度诊断，噪声平均后的探测概率与敏感体积偏差留待后续工作。