Los modelos de redes neuronales han ingresado al ámbito de la detección de ondas gravitacionales, demostrando su efectividad en identificar ondas gravitacionales sintéticas. Sin embargo, estos modelos dependen de parámetros aprendidos, lo que requiere cálculos que consumen tiempo y recursos hardware costosos. Para abordar este desafío, proponemos un modelo de detección de ondas gravitacionales diseñado específicamente para fusiones de agujeros negros binarios, inspirado en la familia de modelos Random Convolutional Kernel Transform (ROCKET). Realizamos un análisis riguroso al tener en cuenta relaciones señal-ruido realistas en nuestros conjuntos de datos, demostrando que las técnicas convencionales pierden precisión predictiva cuando se aplican a señales de detectores terrestres. En contraste, para detectores en el espacio con relaciones señal-ruido altas, nuestro método no solo detecta señales de manera efectiva, sino que también mejora la velocidad de inferencia debido a su complejidad simplificada, un logro notable. En comparación con modelos anteriores de ondas gravitacionales, observamos una aceleración significativa en el tiempo de entrenamiento manteniendo métricas de rendimiento aceptables para señales de detectores terrestres y logrando métricas iguales o incluso superiores para señales de detectores en el espacio. Nuestros experimentos con datos sintéticos arrojan resultados impresionantes, con el modelo logrando un puntaje de AUC y una tasa de recall perfecta en un conjunto de datos con un desequilibrio de clases de 1:3 para detectores terrestres. Para señales con una relación señal-ruido alta, logramos una precisión y recall impecables sin perder precisión en conjuntos de datos con ratios de clases bajos. Además, nuestro enfoque reduce el tiempo de inferencia en un factor de .