論文の概要: Classifying the Equation of State from Rotating Core Collapse Gravitational Waves with Deep Learning

• arxiv url: http://arxiv.org/abs/2009.07367v3
• Date: Sun, 17 Jan 2021 06:28:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 06:52:45.236604
• Title: Classifying the Equation of State from Rotating Core Collapse Gravitational Waves with Deep Learning
• Title（参考訳）: 深層学習による回転コア崩壊重力波からの状態方程式の分類
• Authors: Matthew C. Edwards
• Abstract要約: 我々は、核状態方程式(EOS)を予測するために、深部畳み込みニューラルネットワークを用いて、回転中核崩壊重力波(GW)信号に埋め込まれた視覚的および時間的パターンを学習する。 テストセットで最大72%の正確な分類を達成し、「最も高い確率のラベル」を考えると、これは97%まで増加し、核のEOSに回転するコア崩壊信号が適度かつ測定可能な依存性があることが示されている。
• 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: In this paper, we seek to answer the question "given a rotating core collapse gravitational wave signal, can we determine its nuclear equation of state?". To answer this question, we employ deep convolutional neural networks to learn visual and temporal patterns embedded within rotating core collapse gravitational wave (GW) signals in order to predict the nuclear equation of state (EOS). Using the 1824 rotating core collapse GW simulations by Richers et al. (2017), which has 18 different nuclear EOS, we consider this to be a classic multi-class image classification and sequence classification problem. We attain up to 72\% correct classifications in the test set, and if we consider the "top 5" most probable labels, this increases to up to 97\%, demonstrating that there is a moderate and measurable dependence of the rotating core collapse GW signal on the nuclear EOS.
• Abstract（参考訳）: 本稿では,「回転する核崩壊重力波信号によって,その核状態方程式を決定できるのか?」という問いに答える。 この質問に答えるために、我々は深層畳み込みニューラルネットワークを用いて、核状態方程式(EOS)を予測するために、回転中核崩壊重力波(GW)信号に埋め込まれた視覚的および時間的パターンを学習する。 リチャーズらは18種類の核eosを持つ1824年回転コア崩壊gwシミュレーション(2017年)を用いて、これは古典的な多クラス画像分類とシーケンス分類問題であると考えている。 テストセットにおける最大72\%の正しい分類を達成し、最も可能性の高いラベルである「トップ5」を考えると、97\%まで上昇し、回転するコア崩壊gw信号が核eosに中程度かつ測定可能な依存性があることが示される。

関連論文リスト

• A case study of sending graph neural networks back to the test bench for applications in high-energy particle physics [0.0]
  高エネルギー粒子衝突では、一次衝突生成物は、通常さらに崩壊し、木のような階層構造と事前の未知の多重度が生じる。 数理グラフの類似性は、高エネルギー粒子物理学に関連する多くの課題に対処するためにグラフニューラルネットワーク(GNN)が最適であるという考えを生み出している。 確立された完全接続型フィードフォワードアーキテクチャのニューラルネットワークに対する典型的なGNNのベンチマークテストについて述べる。
  論文  参考訳（メタデータ） (2024-02-27T10:26:25Z)
• DeepRicci: Self-supervised Graph Structure-Feature Co-Refinement for Alleviating Over-squashing [72.70197960100677]
  グラフ構造学習(GSL)はグラフニューラルネットワーク(GNN)を改良したグラフで強化する上で重要な役割を果たしている。 GSLソリューションは、通常、タスク固有の監督(ノード分類)による構造改善に焦点を当てるか、GNN自体の固有の弱点を見落としている。 本稿では,典型的なGNNにおけるオーバー・スカッシングの問題を効果的に緩和する,自己教師付きグラフ構造-機能共分法について検討する。
  論文  参考訳（メタデータ） (2024-01-23T14:06:08Z)
• Towards Inductive Robustness: Distilling and Fostering Wave-induced Resonance in Transductive GCNs Against Graph Adversarial Attacks [56.56052273318443]
  グラフニューラルネットワーク(GNN)は、グラフ構造のわずかな摂動が誤った予測に繋がる敵の攻撃に弱いことが示されている。 ここでは, トランスダクティブGCNは本質的に, 波動誘起共鳴プロセスによって達成される, 蒸留可能なロバスト性を有することがわかった。 本稿では,この共振を学習ノード表現を通じて促進するグラフ共振源ネットワーク(GRN)を提案する。
  論文  参考訳（メタデータ） (2023-12-14T04:25:50Z)
• 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)
• Machine-Learning Love: classifying the equation of state of neutron stars with Transformers [0.0]
  重力波データ解析におけるAudio Spectrogram Transformer(AST)モデルの適用について検討した。 二元中性子星合体からの吸気重力波信号のシミュレーションデータセットにモデルを適用した。
  論文  参考訳（メタデータ） (2022-10-15T21:32:36Z)
• Low frequency gravitational waves emerge Berry phase [0.44998333629984877]
  本稿では,GWの低周波領域で量子状態が研究されている玩具検出モデルを提案する。 低周波GWとの相互作用は自然に計算において断熱近似を与える。 このような幾何学的位相検出は,GWのフットプリントの顕在化に寄与する可能性がある。
  論文  参考訳（メタデータ） (2022-07-18T15:37:16Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• Nuclei with up to $\boldsymbol{A=6}$ nucleons with artificial neural network wave functions [52.77024349608834]
  人工ニューラルネットワークを用いて、核の波動関数をコンパクトに表現する。 高精度な超球面調和法を用いて, それらの結合エネルギー, 点核子密度, ラジイをベンチマークした。
  論文  参考訳（メタデータ） (2021-08-15T23:02:39Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Hierarchical nucleation in deep neural networks [67.85373725288136]
  我々は,いくつかの最先端DCNにおいて,隠れた層にまたがるImageNetデータセットの確率密度の進化について検討した。 初期層は, 分類に無関係な構造を排除し, 一様確率密度を生成する。 その後の層では、密度ピークは階層的な方法で発生し、概念のセマンティック階層を反映する。
  論文  参考訳（メタデータ） (2020-07-07T14:42:18Z)

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。