論文の概要: Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling

• arxiv url: http://arxiv.org/abs/2107.04312v1
• Date: Fri, 9 Jul 2021 09:03:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 23:07:53.698602
• Title: Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling
• Title（参考訳）: 重力波サーロゲートモデリングのためのオートエンコーダ駆動スパイラル表現学習
• Authors: Paraskevi Nousi, Styliani-Christina Fragkouli, Nikolaos Passalis, Panagiotis Iosif, Theocharis Apostolatos, George Pappas, Nikolaos Stergioulas, Anastasios Tefas
• Abstract要約: オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
• 参考スコア（独自算出の注目度）: 47.081318079190595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, artificial neural networks have been gaining momentum in the field of gravitational wave astronomy, for example in surrogate modelling of computationally expensive waveform models for binary black hole inspiral and merger. Surrogate modelling yields fast and accurate approximations of gravitational waves and neural networks have been used in the final step of interpolating the coefficients of the surrogate model for arbitrary waveforms outside the training sample. We investigate the existence of underlying structures in the empirical interpolation coefficients using autoencoders. We demonstrate that when the coefficient space is compressed to only two dimensions, a spiral structure appears, wherein the spiral angle is linearly related to the mass ratio. Based on this finding, we design a spiral module with learnable parameters, that is used as the first layer in a neural network, which learns to map the input space to the coefficients. The spiral module is evaluated on multiple neural network architectures and consistently achieves better speed-accuracy trade-off than baseline models. A thorough experimental study is conducted and the final result is a surrogate model which can evaluate millions of input parameters in a single forward pass in under 1ms on a desktop GPU, while the mismatch between the corresponding generated waveforms and the ground-truth waveforms is better than the compared baseline methods. We anticipate the existence of analogous underlying structures and corresponding computational gains also in the case of spinning black hole binaries.
• Abstract（参考訳）: 近年, 人工ニューラルネットワークは重力波天文学の分野で勢いを増している。例えば, 二元ブラックホールの吸入と融合のための計算コストの高い波形モデルの代理モデリングなどである。 サーロゲートモデリングは、トレーニングサンプル外の任意の波形に対するサーロゲートモデルの係数を補間する最終段階において、重力波とニューラルネットワークの高速かつ正確な近似が得られる。 オートエンコーダを用いた経験的補間係数における基底構造の存在について検討する。 係数空間が2次元のみに圧縮されると、スパイラル構造が現れ、スパイラル角は質量比と線形に関係していることを示す。 この発見に基づいて、ニューラルネットワークの第1層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し、入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも高い速度精度のトレードオフを達成する。 デスクトップgpu上で1ms以下で1回のフォワードパスで数百万の入力パラメータを評価できるサーロゲートモデルと、対応する生成された波形と接地波形とのミスマッチが比較基準法より優れていることを示す。 我々は、ブラックホール双対を回転させる場合の類似構造とそれに対応する計算ゲインの存在を予想する。

関連論文リスト

• Parametric Nonlinear Volterra Series via Machine Learning: Transonic Aerodynamics [0.0]
  本研究では、パラメトリック空間内での非定常超音速空力のモデリング手法を提案する。 1階と2階のVolterraカーネルは、空力応答から導かれる。 結果は、強い非線形性に対処する2階のカーネルを含めることの利点を裏付けている。
  論文  参考訳（メタデータ） (2024-10-25T12:40:10Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Towards a Foundation Model for Neural Network Wavefunctions [5.145741425164946]
  本稿では,非相関で計算コストの低いHartree-Fock軌道を相関した高精度ニューラルネットワーク軌道にマッピングするニューラルネットワークアンサッツを提案する。 このアンザッツは本質的に複数の化合物とジオメトリーにわたる単一波動関数を学習することができる。
  論文  参考訳（メタデータ） (2023-03-17T16:03:10Z)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• Deep Residual Error and Bag-of-Tricks Learning for Gravitational Wave Surrogate Modeling [32.15071712355222]
  本稿では,13.4倍の精度で波形のミスマッチを最大化する方法を示す。 最も重要な改善は、残留エラーをモデル化する第2のネットワークの追加である。
  論文  参考訳（メタデータ） (2022-03-16T07:12:42Z)
• Lightning-Fast Gravitational Wave Parameter Inference through Neural Amortization [6.810835072367285]
  ニューラルシミュレーションに基づく推論の最近の進歩は、推論時間を最大3桁スピードアップすることができる。 シミュレーションされた重力波のパラメータの信頼区間を精度良く推定する。
  論文  参考訳（メタデータ） (2020-10-24T16:48:24Z)
• 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)
• Hamiltonian Dynamics for Real-World Shape Interpolation [66.47407593823208]
  我々は3次元形状の古典的問題を再考し、ハミルトン力学に基づく新しい物理的に妥当なアプローチを提案する。 本手法は, 中間形状を正確に保存し, 自己切断を回避し, 高分解能スキャンにスケーラブルである。
  論文  参考訳（メタデータ） (2020-04-10T18:38:52Z)

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。