論文の概要: Detection of gravitational-wave signals from binary neutron star mergers
using machine learning
- arxiv url: http://arxiv.org/abs/2006.01509v2
- Date: Mon, 28 Sep 2020 12:52:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 01:24:23.978135
- Title: Detection of gravitational-wave signals from binary neutron star mergers
using machine learning
- Title（参考訳）: 機械学習による二元中性子星融合からの重力波信号の検出
- Authors: Marlin B. Sch\"afer (1 and 2), Frank Ohme (1 and 2), Alexander H. Nitz
(1 and 2) ((1) Max-Planck-Institut f\"ur Gravitationsphysik
(Albert-Einstein-Institut), (2) Leibniz Universit\"at Hannover)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.77024349608834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As two neutron stars merge, they emit gravitational waves that can
potentially be detected by earth bound detectors. Matched-filtering based
algorithms have traditionally been used to extract quiet signals embedded in
noise. We introduce a novel neural-network based machine learning algorithm
that uses time series strain data from gravitational-wave detectors to detect
signals from non-spinning binary neutron star mergers. For the Advanced LIGO
design sensitivity, our network has an average sensitive distance of 130 Mpc at
a false-alarm rate of 10 per month. Compared to other state-of-the-art machine
learning algorithms, we find an improvement by a factor of 6 in sensitivity to
signals with signal-to-noise ratio below 25. However, this approach is not yet
competitive with traditional matched-filtering based methods. A conservative
estimate indicates that our algorithm introduces on average 10.2 s of latency
between signal arrival and generating an alert. We give an exact description of
our testing procedure, which can not only be applied to machine learning based
algorithms but all other search algorithms as well. We thereby improve the
ability to compare machine learning and classical searches.
- Abstract（参考訳）: 2つの中性子星が融合すると、重力波が放出され、地球境界検出器によって検出される可能性がある。
マッチングフィルタに基づくアルゴリズムは、従来ノイズに埋め込まれた静かな信号を抽出するために用いられてきた。
重力波検出器からの時系列ひずみデータを用いて、非スピン二元中性子星融合の信号を検出するニューラルネットワークに基づく新しい機械学習アルゴリズムを提案する。
ligoの高度な設計感度では、ネットワークの平均感度距離は130mpc、偽兵器レートは月に10mpcである。
他の最先端機械学習アルゴリズムと比較して、信号対雑音比が25未満の信号に対する感度の6倍の改善が見られた。
しかし、このアプローチは従来のマッチングフィルタリングベースの手法とはまだ競合しない。
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。
我々は、機械学習ベースのアルゴリズムだけでなく、他の全ての検索アルゴリズムにも適用可能な、テスト手順の正確な説明を与える。
これにより、機械学習と古典検索を比較する能力が向上する。
関連論文リスト
- A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm [0.0]
ラジオスペクトログラムデータに注目するルックアライズな信号を探すために,高速かつモジュール化されたディープラーニングアルゴリズムを提案する。
このアルゴリズムは、元のラジオスペクトログラムデータのみを考慮し、類似した外観の信号を検索する。
論文 参考訳（メタデータ） (2023-02-24T04:28:46Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - A quantum algorithm for gravitational wave matched filtering [0.0]
雑音データ中の未知信号の検出に量子アルゴリズムを適用することを提案する。
古典的手法と比較して、これはテンプレートの数の二乗根に比例するスピードアップを与える。
本稿では,基本量子回路の実装の実証と,第1次重力波信号GW150914の検出に対するアルゴリズムの適用のシミュレーションの両方を実証する。
論文 参考訳（メタデータ） (2021-09-03T13:58:58Z) - 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) - Training Strategies for Deep Learning Gravitational-Wave Searches [43.55994393060723]
我々は、非スピン性二元ブラックホールからの信号に分析を限定する。
トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。
深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
論文 参考訳（メタデータ） (2021-06-07T16:04:29Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。