論文の概要: Improving significance of binary black hole mergers in Advanced LIGO
data using deep learning : Confirmation of GW151216
- arxiv url: http://arxiv.org/abs/2010.08584v3
- Date: Thu, 23 Sep 2021 10:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 22:15:16.046064
- Title: Improving significance of binary black hole mergers in Advanced LIGO
data using deep learning : Confirmation of GW151216
- Title(参考訳): 深層学習を用いた先進LIGOデータにおける二元ブラックホール融合の意義向上 : GW151216の確認
- Authors: Shreejit Jadhav, Nikhil Mukund, Bhooshan Gadre, Sanjit Mitra, Sheelu
Abraham
- Abstract要約: 地中重力波(GW)観測所のデータから二元ブラックホール(BBH)の融合を探索するための機械学習(ML)に基づく新しい手法を提案する。
これは、最初のGWトランジェントカタログ(GWTC-1)のCBCを復元するだけでなく、GW151216をクリーンに検出する最初のMLベースの探索である。
- 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 present a novel Machine Learning (ML) based strategy to search for binary
black hole (BBH) mergers in data from ground-based gravitational wave (GW)
observatories. This is the first ML-based search that not only recovers all the
compact binary coalescences (CBCs) in the first GW transients catalog (GWTC-1),
but also makes a clean detection of GW151216 by only adding a new coincident
ranking statistic (MLStat) to a standard analysis that was used for GWTC-1. In
CBC searches, reducing contamination by terrestrial and instrumental
transients, which create a loud noise background by triggering numerous false
alarms, is crucial to improving the sensitivity for detecting true events. The
sheer volume of data and a large number of expected detections also prompts the
use of ML techniques. We perform transfer learning to train "InceptionV3", a
pre-trained deep neural network, along with curriculum learning to distinguish
GW signals from noisy events by analysing their continuous wavelet transform
(CWT) maps. MLStat incorporates information from this ML classifier into the
coincident search likelihood used by the standard PyCBC search. This leads to
at least an order of magnitude improvement in the inverse false-alarm-rate
(IFAR) for the previously "low significance" events GW151012, GW170729 and
GW151216. We also perform the parameter estimation of GW151216 using
SEOBNRv4HM_ROM. We carry out an injection study to show that MLStat brings
substantial improvement to the detection sensitivity of Advanced LIGO for all
compact binary coalescences. The average improvement in the sensitive volume is
~10% for low chirp masses (0.8-5 Msun), and ~30% for higher masses (5-50 Msun).
This work demonstrates the immense potential and readiness of MLStat for
finding new sources in current data and the possibility of its adaptation in
similar searches.
- Abstract(参考訳): 地中重力波(GW)観測所のデータから二元ブラックホール(BBH)の融合を探索するための機械学習(ML)に基づく新しい手法を提案する。
これは、最初のGWトランジェントカタログ(GWTC-1)におけるCBCを復元するだけでなく、新しい同期ランキング統計(MLStat)をGWTC-1の標準分析に追加するだけでGW151216をクリーンに検出する最初のMLベースの探索である。
CBCサーチでは、多数の誤報を発生させることで大きな騒音背景を発生させる地上および観測トランジェントによる汚染の低減が、真の事象を検出するための感度の向上に不可欠である。
膨大な量のデータと大量の予期される検出は、ML技術の使用を促す。
本研究では,事前学習した深層ニューラルネットワーク「inceptionv3」の学習と,gw信号を連続ウェーブレット変換(cwt)マップ解析によりノイズイベントと区別するカリキュラム学習を行う。
MLStatはこのML分類器からの情報を標準のPyCBC検索で使用される一致した検索可能性に組み込む。
これにより、それまでの"低重要性"イベントであるGW151012、GW170729、GW151216に対して、IFAR(inverse false-alarm-rate)が少なくとも1桁改善される。
また,SEOBNRv4HM_ROMを用いてGW151216のパラメータ推定を行う。
本研究は, MLStat がコンパクトな2次合体蛍光体に対する高度なLIGO の検出感度を大幅に向上することを示すための注入試験である。
感度改善量は、低チャープ質量(0.8-5 Msun)で平均10%、高質量(5-50 Msun)で平均30%である。
この研究は、MLStatが現在のデータに新しいソースを見つける可能性と、類似した検索に適応する可能性を示す。
関連論文リスト
- Adaptive Hoeffding Tree with Transfer Learning for Streaming Synchrophasor Data Sets [0.0]
本稿では,ADWIN (THAT) 法で異常なシンクロファサーシグネチャを検出するトランスファー学習に基づくホイフィングツリーを提案する。
提案アルゴリズムはOzaBag法を用いて訓練および試験を行う。
論文 参考訳(メタデータ) (2025-01-19T21:10:01Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - 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) - DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability
Curvature [143.5381108333212]
大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。
次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。
我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
論文 参考訳(メタデータ) (2023-01-26T18:44:06Z) - 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) - Identification of Binary Neutron Star Mergers in Gravitational-Wave Data
Using YOLO One-Shot Object Detection [0.0]
本稿では, 汎用の畳み込み型単発物体検出モデルであるYOLOv5モデルを, 電流発生干渉計検出器の重力波データから二元中性子星(BNS)の合体現象を検出するタスクに適用した。
単クラス検証データセットの平均精度(textmAP_[0.50]$)は0.945、テストデータセットは0.978である。
論文 参考訳(メタデータ) (2022-07-01T10:11:44Z) - Application of Common Spatial Patterns in Gravitational Waves Detection [0.0]
我々は,多検出器重力波(GW)ひずみの与えられたエポックがコレセンスを含むかどうかを判定する問題に対して,CSPアルゴリズムを開発し,適用する。
我々のパイプラインは、H1株とL1株を使用して、重力波トランジェントカタログから82の信頼度のうち76のイベントを正確に検出でき、分類スコアは9,3.72 pm 0.04%$で、10倍5$クロスバリデーションを使用する。
論文 参考訳(メタデータ) (2022-01-11T17:23:31Z) - 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) - 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) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
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。
論文 参考訳(メタデータ) (2020-06-02T10:20:11Z)
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。