論文の概要: SpecGrav -- Detection of Gravitational Waves using Deep Learning

• arxiv url: http://arxiv.org/abs/2107.03607v1
• Date: Thu, 8 Jul 2021 05:06:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 20:35:13.505516
• Title: SpecGrav -- Detection of Gravitational Waves using Deep Learning
• Title（参考訳）: specgrav --深層学習による重力波の検出
• Authors: Hrithika Dodia, Himanshu Tandel, Lynette D'Mello
• Abstract要約: 2次元畳み込みニューラルネットワークと雑音に埋め込まれた重力波の分光図を用いて、二元ブラックホールの融合と二元中性子星の融合から重力波を検出する。 ニューラルネットワークのトレーニングフェーズは、2GBのGPUで約19分でした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gravitational waves are ripples in the fabric of space-time that travel at the speed of light. The detection of gravitational waves by LIGO is a major breakthrough in the field of astronomy. Deep Learning has revolutionized many industries including health care, finance and education. Deep Learning techniques have also been explored for detection of gravitational waves to overcome the drawbacks of traditional matched filtering method. However, in several researches, the training phase of neural network is very time consuming and hardware devices with large memory are required for the task. In order to reduce the extensive amount of hardware resources and time required in training a neural network for detecting gravitational waves, we made SpecGrav. We use 2D Convolutional Neural Network and spectrograms of gravitational waves embedded in noise to detect gravitational waves from binary black hole merger and binary neutron star merger. The training phase of our neural network was of about just 19 minutes on a 2GB GPU.
• Abstract（参考訳）: 重力波は、光速で移動する時空の織物に波紋がある。 LIGOによる重力波の検出は天文学の分野で大きなブレークスルーとなる。 ディープラーニングは医療、金融、教育など多くの産業に革命をもたらした。 従来のマッチングフィルタリング手法の欠点を克服するため、重力波の検出にもディープラーニング技術が研究されている。 しかし、いくつかの研究では、ニューラルネットワークのトレーニングフェーズは非常に時間がかかり、タスクには大きなメモリを持つハードウェアデバイスが必要である。 重力波検出のためのニューラルネットワークのトレーニングに必要なハードウェアリソースと時間を削減するため、specgravを開発した。 2次元畳み込みニューラルネットワークと雑音に埋め込まれた重力波の分光図を用いて、二元ブラックホールの融合と二元中性子星の融合から重力波を検出する。 ニューラルネットワークのトレーニングフェーズは、2GBのGPUで約19分でした。

関連論文リスト

• gWaveNet: Classification of Gravity Waves from Noisy Satellite Data using Custom Kernel Integrated Deep Learning Method [9.600843179393085]
  本研究では,衛星画像中の重力波の同定を目的とした新しいカーネル設計を提案する。 提案するカーネルは,gWaveNetと呼ばれる深層畳み込みニューラルネットワークにシームレスに統合される。 提案モデルでは,ノイズの多い衛星データから重力波を含む画像を検出するのに,特徴工学的手法を使わずに優れた精度を示す。
  論文  参考訳（メタデータ） (2024-08-26T22:50:59Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• 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)
• Swift sky localization of gravitational waves using deep learning seeded importance sampling [3.3865605512957457]
  ディープラーニングモデルは、重力波の推論タスクに対して正確で極めて高速であることを示してきたが、ニューラルネットワークのブラックボックスの性質のため、その出力は本質的に疑問視されている。 本研究では,多頭部畳み込みニューラルネットワークによって生成された近似後部への重要サンプリングを適用し,ベイズ的推論と深層学習に参画する。 ベイズ推定を用いた予測に非常によく似た、目に見えない重力波事象のスカイマップを数分で生成する。さらに、ニューラルネットワークから弱い予測を検出でき、素早くフラグを付けることができる。
  論文  参考訳（メタデータ） (2021-11-01T11:05:08Z)
• 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)
• 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)
• 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)
• 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)
• Physics-inspired deep learning to characterize the signal manifold of quasi-circular, spinning, non-precessing binary black hole mergers [4.43457632632169]
  我々は、天体物理学的なブラックホールのスピン特性の一般相対論的制約を組み込んだ新しい最適化スキームで訓練されたWaveNetの修正版を導入する。 高性能計算と物理に着想を得た最適化アルゴリズムの収束により、二元ブラックホール融合の質量比と個々のスピンの正確な再構築が可能となる。
  論文  参考訳（メタデータ） (2020-04-20T18:00:02Z)
• Gravitational Wave Detection and Information Extraction via Neural Networks [1.0499611180329804]
  LIGO(Laser Interferometer Gravitational-Wave Observatory)は、重力波を観測した最初の研究室である。 陽子の半径よりもはるかに小さい距離変化を測定するために、例外的な実験的な設計が必要だった。 ここでは、重力波イベントを検出し、LIGOデータからリングダウン時間の知識を抽出する、人工ニューラルネットワークの計算手順ベースを示す。
  論文  参考訳（メタデータ） (2020-03-22T21:24:02Z)

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。