論文の概要: Complete parameter inference for GW150914 using deep learning

• arxiv url: http://arxiv.org/abs/2008.03312v1
• Date: Fri, 7 Aug 2020 18:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 01:58:06.608961
• Title: Complete parameter inference for GW150914 using deep learning
• Title（参考訳）: ディープラーニングを用いたgw150914の完全パラメータ推定
• Authors: Stephen R. Green, Jonathan Gair
• Abstract要約: 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。
• 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: The LIGO and Virgo gravitational-wave observatories have detected many exciting events over the past five years. As the rate of detections grows with detector sensitivity, this poses a growing computational challenge for data analysis. With this in mind, in this work we apply deep learning techniques to perform fast likelihood-free Bayesian inference for gravitational waves. We train a neural-network conditional density estimator to model posterior probability distributions over the full 15-dimensional space of binary black hole system parameters, given detector strain data from multiple detectors. We use the method of normalizing flows---specifically, a neural spline normalizing flow---which allows for rapid sampling and density estimation. Training the network is likelihood-free, requiring samples from the data generative process, but no likelihood evaluations. Through training, the network learns a global set of posteriors: it can generate thousands of independent posterior samples per second for any strain data consistent with the prior and detector noise characteristics used for training. By training with the detector noise power spectral density estimated at the time of GW150914, and conditioning on the event strain data, we use the neural network to generate accurate posterior samples consistent with analyses using conventional sampling techniques.
• Abstract（参考訳）: LIGOとVirgo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。 このことを念頭において,本研究では,重力波の高速確率自由ベイズ推定に深層学習手法を適用する。 複数の検出器から検出されたひずみデータから, 2元ブラックホール系パラメータの完全な15次元空間上の後続確率分布をモデル化するニューラルネットワーク条件密度推定器を訓練する。 フローの正規化 - 具体的には、フローの正規化 - を用いて、迅速なサンプリングと密度推定を可能にする。 ネットワークのトレーニングは、データ生成プロセスからのサンプルを必要とするが、可能性評価は必要ない。 トレーニングを通じて、ネットワークは、トレーニングに使用される事前および検出器ノイズ特性と一致したひずみデータに対して、毎秒何千もの独立した後方サンプルを生成することができる。 GW150914の時点で推定される検出器ノイズパワースペクトル密度とイベントストレインデータに基づくトレーニングにより,ニューラルネットワークを用いて,従来のサンプリング手法を用いた分析と一致する正確な後部サンプルを生成する。

関連論文リスト

• Sampling weights of deep neural networks [1.2370077627846041]
  完全に接続されたニューラルネットワークの重みとバイアスに対して,効率的なサンプリングアルゴリズムと組み合わせた確率分布を導入する。 教師付き学習環境では、内部ネットワークパラメータの反復最適化や勾配計算は不要である。 サンプルネットワークが普遍近似器であることを証明する。
  論文  参考訳（メタデータ） (2023-06-29T10:13:36Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• Deep learning based sferics recognition for AMT data processing in the dead band [5.683853455697258]
  AMT (Audio magnetotellurics) 音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足をもたらす。 本稿では,長期にわたって冗長に記録されたデータからスフェリック信号を自動的に認識するディープ畳み込みニューラルネットワーク(CNN)を提案する。 本手法はS/Nを大幅に改善し, デッドバンドのエネルギー不足を効果的に解決する。
  論文  参考訳（メタデータ） (2022-09-22T02:31:28Z)
• Space-based gravitational wave signal detection and extraction with deep neural network [13.176946557548042]
  宇宙ベースの重力波検出器(GW)は、現在の地上での観測でほぼ不可能に近い音源からの信号を観測することができる。 本稿では,全宇宙GWソースに対して高精度なGW信号検出・抽出手法を提案する。
  論文  参考訳（メタデータ） (2022-07-15T11:48:15Z)
• 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)
• 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)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• 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)
• 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)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。