論文の概要: Interpretable AI forecasting for numerical relativity waveforms of
quasi-circular, spinning, non-precessing binary black hole mergers
- arxiv url: http://arxiv.org/abs/2110.06968v1
- Date: Wed, 13 Oct 2021 18:14:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 15:12:45.923682
- Title: Interpretable AI forecasting for numerical relativity waveforms of
quasi-circular, spinning, non-precessing binary black hole mergers
- Title（参考訳）: 準円、回転、非定常二元ブラックホール融合の数値相対性波形の解釈可能なAI予測
- Authors: Asad Khan, E. A. Huerta, Huihuo Zheng
- Abstract要約: 本稿では, 数値相対性理論の遅延的, 合併, リングダウンを学習し, 予測できるディープラーニング人工知能モデルを提案する。
私たちはArgonne Leadership Computing FacilityのThetaスーパーコンピュータを使って、150万の波形のトレーニングセットを使用してAIモデルをトレーニングしました。
その結果,人工知能は数値相対性理論波形の動的進化を正確に予測できることがわかった。
- 参考スコア（独自算出の注目度）: 1.4438155481047366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a deep-learning artificial intelligence model that is capable of
learning and forecasting the late-inspiral, merger and ringdown of numerical
relativity waveforms that describe quasi-circular, spinning, non-precessing
binary black hole mergers. We used the NRHybSur3dq8 surrogate model to produce
train, validation and test sets of $\ell=|m|=2$ waveforms that cover the
parameter space of binary black hole mergers with mass-ratios $q\leq8$ and
individual spins $|s^z_{\{1,2\}}| \leq 0.8$. These waveforms cover the time
range $t\in[-5000\textrm{M}, 130\textrm{M}]$, where $t=0M$ marks the merger
event, defined as the maximum value of the waveform amplitude. We harnessed the
ThetaGPU supercomputer at the Argonne Leadership Computing Facility to train
our AI model using a training set of 1.5 million waveforms. We used 16 NVIDIA
DGX A100 nodes, each consisting of 8 NVIDIA A100 Tensor Core GPUs and 2 AMD
Rome CPUs, to fully train our model within 3.5 hours. Our findings show that
artificial intelligence can accurately forecast the dynamical evolution of
numerical relativity waveforms in the time range $t\in[-100\textrm{M},
130\textrm{M}]$. Sampling a test set of 190,000 waveforms, we find that the
average overlap between target and predicted waveforms is $\gtrsim99\%$ over
the entire parameter space under consideration. We also combined scientific
visualization and accelerated computing to identify what components of our
model take in knowledge from the early and late-time waveform evolution to
accurately forecast the latter part of numerical relativity waveforms. This
work aims to accelerate the creation of scalable, computationally efficient and
interpretable artificial intelligence models for gravitational wave
astrophysics.
- Abstract（参考訳）: 準円、回転、非必要二項ブラックホールの融合を記述した数値相対性理論波形の遅延・合併・リングダウンを学習・予測できるディープラーニング人工知能モデルを提案する。
nrhybsur3dq8サロゲートモデルを用いて、二進ブラックホールの質量比$q\leq8$と個別スピン$|s^z_{\{1,2\}}| \leq 0.8$のパラメータ空間をカバーする$\ell=|m|=2$波形のトレイン、検証、テストセットを作成した。
これらの波形は時刻範囲 $t\in[-5000\textrm{m}, 130\textrm{m}]$ をカバーし、ここで$t=0m$ は波形振幅の最大値として定義されるマージイベントを示す。
私たちはArgonne Leadership Computing FacilityのThetaGPUスーパーコンピュータを使って、150万の波形のトレーニングセットを使用してAIモデルをトレーニングしました。
16のNVIDIA DGX A100ノードを使用しました。それぞれ8つのNVIDIA A100 Tensor Core GPUと2つのAMD Rome CPUで構成されています。
その結果,人工知能は時間範囲$t\in[-100\textrm{m}, 130\textrm{m}]$の数値相対性波形の動的進化を正確に予測できることがわかった。
190,000波形のテストセットをサンプリングすると、対象波形と予測波形の平均重なりは、考慮中のパラメータ空間全体に対して$\gtrsim99\%$であることが分かる。
また, 数値相対性波形の後半部を正確に予測するために, 科学的可視化と加速度計算を組み合わせることで, 初期および後期の波形進化の知識をモデルがどの成分に取り入れるかを同定した。
この研究は、重力波天体物理学のためのスケーラブルで計算効率が高く解釈可能な人工知能モデルの作成を加速することを目的としている。
関連論文リスト
- Inertial Confinement Fusion Forecasting via LLMs [49.954202788661156]
本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfFusion-LLM$を紹介する。
本研究では, 核融合特異的プロンプトを付加した$textitLLM-anchored Reservoir$を提案し, インロジョン中の熱電子ダイナミクスの正確な予測を可能にする。
また、物理実験に基づく最初の$textttICF$ベンチマークである$textbfFusion4AI$も提示し、プラズマ物理学研究における新しいアイデアの育成を目的としている。
論文 参考訳（メタデータ） (2024-07-15T05:46:44Z) - AI ensemble for signal detection of higher order gravitational wave
modes of quasi-circular, spinning, non-precessing binary black hole mergers [0.36832029288386137]
我々は、準時間的、回転的、必要でない二元ブラックホール質量を記述した240万の波形を持つAIを訓練する。
次に、転送を使用して、潜在的な二元ブラックホールの総質量を推定する学習予測器を作成する。
これは、重力順の重力波モード信号を探し、見つけるために設計された最初のAIアンサンブルである。
論文 参考訳（メタデータ） (2023-09-29T18:00:03Z) - 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) - Physics-inspired spatiotemporal-graph AI ensemble for the detection of higher order wave mode signals of spinning binary black hole mergers [0.2999888908665658]
準円、回転、不要な二元ブラックホールの融合を検出するための新しいAIモデルを提案する。
これらのAIモデルは、ハイブリッド拡張ニューラルネットワークを組み合わせて、重力波の短距離時間情報と長距離時間情報を正確にモデル化する。
論文 参考訳（メタデータ） (2023-06-27T18:09:15Z) - 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) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - AI and extreme scale computing to learn and infer the physics of higher
order gravitational wave modes of quasi-circular, spinning, non-precessing
binary black hole mergers [1.7056768055368385]
準円、回転、不要な二元ブラックホール融合の高次重力波モードの物理学を学習し、推理する。
我々は、代理モデルNRHybSur3dq8で生成された1400万の波形を用いてAIモデルを訓練する。
数値相対性波形の質量比, 個々のスピン, 有効スピン, 傾斜角の決定論的および確率的推定値を得る。
論文 参考訳（メタデータ） (2021-12-13T19:00:00Z) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
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。
論文 参考訳（メタデータ） (2021-07-09T09:03:08Z) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z) - Physics-inspired deep learning to characterize the signal manifold of
quasi-circular, spinning, non-precessing binary black hole mergers [4.43457632632169]
我々は、天体物理学的なブラックホールのスピン特性の一般相対論的制約を組み込んだ新しい最適化スキームで訓練されたWaveNetの修正版を導入する。
高性能計算と物理に着想を得た最適化アルゴリズムの収束により、二元ブラックホール融合の質量比と個々のスピンの正確な再構築が可能となる。
論文 参考訳（メタデータ） (2020-04-20T18:00:02Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。