論文の概要: Physics-inspired deep learning to characterize the signal manifold of
quasi-circular, spinning, non-precessing binary black hole mergers
- arxiv url: http://arxiv.org/abs/2004.09524v2
- Date: Tue, 25 Aug 2020 22:07:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 19:13:54.585120
- Title: Physics-inspired deep learning to characterize the signal manifold of
quasi-circular, spinning, non-precessing binary black hole mergers
- Title（参考訳）: 物理にインスパイアされた深層学習による準円、スピン、非予備ブラックホール融合の信号多様体の特徴付け
- Authors: Asad Khan, E. A. Huerta, Arnav Das
- Abstract要約: 我々は、天体物理学的なブラックホールのスピン特性の一般相対論的制約を組み込んだ新しい最適化スキームで訓練されたWaveNetの修正版を導入する。
高性能計算と物理に着想を得た最適化アルゴリズムの収束により、二元ブラックホール融合の質量比と個々のスピンの正確な再構築が可能となる。
- 参考スコア（独自算出の注目度）: 4.43457632632169
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spin distribution of binary black hole mergers contains key information
concerning the formation channels of these objects, and the astrophysical
environments where they form, evolve and coalesce. To quantify the suitability
of deep learning to characterize the signal manifold of quasi-circular,
spinning, non-precessing binary black hole mergers, we introduce a modified
version of WaveNet trained with a novel optimization scheme that incorporates
general relativistic constraints of the spin properties of astrophysical black
holes. The neural network model is trained, validated and tested with 1.5
million $\ell=|m|=2$ waveforms generated within the regime of validity of
NRHybSur3dq8, i.e., mass-ratios $q\leq8$ and individual black hole spins $ |
s^z_{\{1,\,2\}} | \leq 0.8$. Using this neural network model, we quantify how
accurately we can infer the astrophysical parameters of black hole mergers in
the absence of noise. We do this by computing the overlap between waveforms in
the testing data set and the corresponding signals whose mass-ratio and
individual spins are predicted by our neural network. We find that the
convergence of high performance computing and physics-inspired optimization
algorithms enable an accurate reconstruction of the mass-ratio and individual
spins of binary black hole mergers across the parameter space under
consideration. This is a significant step towards an informed utilization of
physics-inspired deep learning models to reconstruct the spin distribution of
binary black hole mergers in realistic detection scenarios.
- Abstract（参考訳）: 2つのブラックホールの融合のスピン分布は、これらの物体の形成チャネルとそれらの形成、進化、融合する天体物理環境に関する重要な情報を含んでいる。
準円、スピン、非予備の2値ブラックホールマージの信号多様体を特徴づける深層学習の適合性を定量化するために、天体ブラックホールのスピン特性の一般相対論的制約を組み込んだ新しい最適化スキームで訓練されたウェーブネットの修正版を提案する。
ニューラルネットワークモデルは、NRHybSur3dq8の有効性体制内で生成される1.5万$\ell=|m|=2$波形、すなわち質量比$q\leq8$、個々のブラックホールスピン$ | s^z_{\{1,\,2\}} | \leq 0.8$で訓練、検証、試験される。
このニューラルネットモデルを用いて、ノイズのないブラックホール融合の天体物理パラメータをどの程度正確に推定できるかを定量化する。
我々は、テストデータセットの波形と、ニューラルネットワークによって質量比と個々のスピンが予測される対応する信号との重なりを計算してこれを行う。
高性能計算と物理に着想を得た最適化アルゴリズムの収束により、パラメータ空間全体にわたる二元ブラックホール融合の質量比と個々のスピンの正確な再構成が可能となる。
これは、物理にインスパイアされた深層学習モデルを用いて、2元ブラックホールの融合のスピン分布を現実的な検出シナリオで再構築するための重要なステップである。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Quantum Bayesian Inference with Renormalization for Gravitational Waves [1.4555521588662113]
重力波干渉計で検出された小型のバイナリコレッセンスからパラメータの量子推論を行うために,ハイブリッド量子アルゴリズムを提案する。
LIGO観測所から二元ブラックホール(BBH)の融合をアルゴリズムをテストする最初のケースとして選択するが、その応用はより一般的なインスタンスに拡張できる。
論文 参考訳（メタデータ） (2024-02-29T14:22:16Z) - NeoSySPArtaN: A Neuro-Symbolic Spin Prediction Architecture for
higher-order multipole waveforms from eccentric Binary Black Hole mergers
using Numerical Relativity [0.0]
ニューラルネットワークのパワーとシンボリック回帰を組み合わせた新しいニューロシンボリックアーキテクチャ(NSA)を提案する。
以上の結果から,合併におけるスピン大小予測のための頑健かつ解釈可能な枠組みが得られた。
論文 参考訳（メタデータ） (2023-07-20T16:30:51Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Neural Importance Sampling for Rapid and Reliable Gravitational-Wave
Inference [59.040209568168436]
まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。
本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。
LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
論文 参考訳（メタデータ） (2022-10-11T18:00:02Z) - Interpretable AI forecasting for numerical relativity waveforms of
quasi-circular, spinning, non-precessing binary black hole mergers [1.4438155481047366]
本稿では, 数値相対性理論の遅延的, 合併, リングダウンを学習し, 予測できるディープラーニング人工知能モデルを提案する。
私たちはArgonne Leadership Computing FacilityのThetaスーパーコンピュータを使って、150万の波形のトレーニングセットを使用してAIモデルをトレーニングしました。
その結果,人工知能は数値相対性理論波形の動的進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-13T18:14:52Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。
ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。
スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2021-07-09T09:03:08Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - Orbital dynamics of binary black hole systems can be learned from
gravitational wave measurements [0.0]
2次ブラックホール(BBH)系の力学モデルを発見する重力波形反転戦略を紹介します。
BBHシステムの動作方程式を構築するためには,1つの時系列(おそらくノイズの多い)波形データのみが必要であることを示す。
論文 参考訳（メタデータ） (2021-02-25T05:46:14Z)
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。