論文の概要: Core-Collapse Supernova Gravitational-Wave Search and Deep Learning Classification

• arxiv url: http://arxiv.org/abs/2001.00279v1
• Date: Wed, 1 Jan 2020 23:32:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 09:46:29.837940
• Title: Core-Collapse Supernova Gravitational-Wave Search and Deep Learning Classification
• Title（参考訳）: コアコラプス超新星の重力波探索と深層学習分類
• Authors: Alberto Iess, Elena Cuoco, Filip Morawski and Jade Powell
• Abstract要約: 核崩壊超新星爆発によって放出される重力波の探索と分類について述べる。 入力には時系列重力波データを用いた1次元CNN探索と、入力としてデータの時間周波数表現を用いた2次元CNN探索の両方を用いる。 1次元CNNパイプラインと2次元CNNパイプラインの分類精度は95%以上である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe a search and classification procedure for gravitational waves emitted by core-collapse supernova (CCSN) explosions, using a convolutional neural network (CNN) combined with an event trigger generator known as Wavelet Detection Filter (WDF). We employ both a 1-D CNN search using time series gravitational-wave data as input, and a 2-D CNN search with time-frequency representation of the data as input. To test the accuracies of our 1-D and 2-D CNN classification, we add CCSN waveforms from the most recent hydrodynamical simulations of neutrino-driven core-collapse to simulated Gaussian colored noise with the Virgo interferometer and the planned Einstein Telescope sensitivity curve. We find classification accuracies, for a single detector, of over 95% for both 1-D and 2-D CNN pipelines. For the first time in machine learning CCSN studies, we add short duration detector noise transients to our data to test the robustness of our method against false alarms created by detector noise artifacts. Further to this, we show that the CNN can distinguish between different types of CCSN waveform models.
• Abstract（参考訳）: 本稿では、畳み込みニューラルネットワーク(CNN)とウェーブレット検出フィルタ(WDF)というイベントトリガ発生器を組み合わせた、コア崩壊型超新星爆発(CCSN)による重力波の探索・分類手順について述べる。 時系列重力波データを入力とする1次元cnn探索と、データの時間周波数表現を入力とする2次元cnn探索の両方を用いる。 1次元CNN分類と2次元CNN分類の精度をテストするために、ニュートリノ駆動コア崩壊の最近の流体力学シミュレーションから、ヴァーゴ干渉計と計画されたアインシュタイン望遠鏡感度曲線による擬似ガウス色雑音へのCCSN波形を加える。 1-dと2-dの両方のcnnパイプラインで95%以上の分類精度が得られた。 機械学習 CCSN 研究ではじめて、検出ノイズアーティファクトによって生成された誤報に対して、我々の手法の堅牢性をテストするために、短周期検出ノイズトランジェントをデータに追加した。 さらに,CNNは異なるタイプのCCSN波形モデルを区別できることを示す。

関連論文リスト

• LSTM and CNN application for core-collapse supernova search in gravitational wave real data [0.0]
  コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。 実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
  論文  参考訳（メタデータ） (2023-01-23T12:12:33Z)
• A Frequency-Velocity CNN for Developing Near-Surface 2D Vs Images from Linear-Array, Active-Source Wavefield Measurements [0.0]
  地中物質を高速かつ非侵襲的に2次元せん断波速度(Vs)画像化するための周波数速度畳み込みニューラルネットワーク(CNN)を提案する。 周波数-速度領域で操作することで、線形アレイ、アクティブソースの実験的な設定で大きな柔軟性が得られる。
  論文  参考訳（メタデータ） (2022-07-19T22:48:43Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Detecting residues of cosmic events using residual neural network [0.0]
  残像ネットワークは、画像分類、顔認識、オブジェクト検出などの多くの分野を頑健な構造で変換している。 ディープラーニングネットワークは一度だけ訓練される。 新しいタイプの重力波が検出されると、これはディープラーニングの欠点であることが判明しました。 1次元時系列入力のためのカスタム残存ニューラルネットワークの作成を目指します。
  論文  参考訳（メタデータ） (2021-01-01T08:44:58Z)
• A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
  デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。 以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。 クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
  論文  参考訳（メタデータ） (2020-11-03T03:27:18Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。