論文の概要: Detection of Gravitational Waves Using Bayesian Neural Networks

• arxiv url: http://arxiv.org/abs/2007.04176v2
• Date: Tue, 19 Jan 2021 01:09:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:07:32.832344
• Title: Detection of Gravitational Waves Using Bayesian Neural Networks
• Title（参考訳）: ベイズニューラルネットワークを用いた重力波の検出
• Authors: Yu-Chiung Lin, Jiun-Huei Proty Wu
• Abstract要約: 重力波観測データ(GW)におけるコンパクト二元合体現象を検出するためのベイズニューラルネットワークの新しいモデルを提案する。 我々のモデルは、LIGO Livingston O2データ中の7つのBBH事象をすべて検出し、GW波形の周期を正確にラベル付けした。 これにより、我々のモデルは、ほぼリアルタイムに検出でき、最先端のHPCを用いてより大規模なデータセットでより深いトレーニングを行う際に、合体現象を予測できる。
• 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 propose a new model of Bayesian Neural Networks to not only detect the events of compact binary coalescence in the observational data of gravitational waves (GW) but also identify the full length of the event duration including the inspiral stage. This is achieved by incorporating the Bayesian approach into the CLDNN classifier, which integrates together the Convolutional Neural Network (CNN) and the Long Short-Term Memory Recurrent Neural Network (LSTM). Our model successfully detect all seven BBH events in the LIGO Livingston O2 data, with the periods of their GW waveforms correctly labeled. The ability of a Bayesian approach for uncertainty estimation enables a newly defined `awareness' state for recognizing the possible presence of signals of unknown types, which is otherwise rejected in a non-Bayesian model. Such data chunks labeled with the awareness state can then be further investigated rather than overlooked. Performance tests with 40,960 training samples against 512 chunks of 8-second real noise mixed with mock signals of various optimal signal-to-noise ratio $0 \leq \rho_\text{opt} \leq 18$ show that our model recognizes 90% of the events when $\rho_\text{opt} >7$ (100% when $\rho_\text{opt} >8.5$) and successfully labels more than 95% of the waveform periods when $\rho_\text{opt} >8$. The latency between the arrival of peak signal and generating an alert with the associated waveform period labeled is only about 20 seconds for an unoptimized code on a moderate GPU-equipped personal computer. This makes our model possible for nearly real-time detection and for forecasting the coalescence events when assisted with deeper training on a larger dataset using the state-of-art HPCs.
• Abstract（参考訳）: 本研究では,重力波観測データ(gw)において,コンパクトな二元結合の事象を検知するだけでなく,吸気ステージを含む事象継続時間の全長を同定するベイズ型ニューラルネットワークの新しいモデルを提案する。 これは、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory Recurrent Neural Network(LSTM)を統合したCLDNN分類器にベイズ的アプローチを組み込むことによって達成される。 LIGO Livingston O2データ中の7つのBBH事象をすべて検出し,GW波形の周期を正確にラベル付けした。 不確実性推定に対するベイズ的アプローチの能力は、非ベイズ的モデルでは否定される未知のタイプの信号の存在を認識するために新たに定義された「認識」状態を可能にする。 このようなデータチャンクを認識状態にラベル付けすると、見落とさずにさらに調査することができる。 40,960のトレーニングサンプルと512チャンクの8秒実雑音のトレーニングサンプルと、様々な最適な信号対雑音比$0 \leq \rho_\text{opt} \leq 18$のモック信号とを混合したパフォーマンステストでは、$\rho_\text{opt} > 7$ (100% if $\rho_\text{opt} > 8.5$) のイベントの90%を認識し、$\rho_\text{opt} > 8$ の波形周期の95%以上をラベル付けすることに成功した。 ピーク信号の到着から関連する波形周期の警告発生までのレイテンシは、適度なGPU装備のパーソナルコンピュータ上で最適化されていないコードに対してわずか20秒である。 これにより,最先端のhpcを用いた大規模データセットのより深いトレーニングを支援することで,ほぼリアルタイムな検出と合体イベントの予測が可能となる。

関連論文リスト

• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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 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)
• 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)
• 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)
• Towards a method to anticipate dark matter signals with deep learning at the LHC [58.720142291102135]
  ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。 通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。 これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
  論文  参考訳（メタデータ） (2021-05-25T15:38:13Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• 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)
• Complete parameter inference for GW150914 using deep learning [0.0]
  LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。 検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。 本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
  論文  参考訳（メタデータ） (2020-08-07T18:00:02Z)

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。