論文の概要: Swift sky localization of gravitational waves using deep learning seeded importance sampling

• arxiv url: http://arxiv.org/abs/2111.00833v1
• Date: Mon, 1 Nov 2021 11:05:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 23:10:35.645180
• Title: Swift sky localization of gravitational waves using deep learning seeded importance sampling
• Title（参考訳）: deep learning seeded importance sampling による重力波の高速定位
• Authors: Alex Kolmus, Gr\'egory Baltus, Justin Janquart, Twan van Laarhoven, Sarah Caudill, and Tom Heskes
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.3865605512957457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast, highly accurate, and reliable inference of the sky origin of gravitational waves would enable real-time multi-messenger astronomy. Current Bayesian inference methodologies, although highly accurate and reliable, are slow. Deep learning models have shown themselves to be accurate and extremely fast for inference tasks on gravitational waves, but their output is inherently questionable due to the blackbox nature of neural networks. In this work, we join Bayesian inference and deep learning by applying importance sampling on an approximate posterior generated by a multi-headed convolutional neural network. The neural network parametrizes Von Mises-Fisher and Gaussian distributions for the sky coordinates and two masses for given simulated gravitational wave injections in the LIGO and Virgo detectors. We generate skymaps for unseen gravitational-wave events that highly resemble predictions generated using Bayesian inference in a few minutes. Furthermore, we can detect poor predictions from the neural network, and quickly flag them.
• Abstract（参考訳）: 重力波の天起源の高速で高精度で信頼性の高い推定は、リアルタイムのマルチメッセンガー天文学を可能にする。 現在のベイズ推論方法論は、正確かつ信頼性が高いが、遅い。 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、その出力は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に本質的に疑わしい。 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,ベイズ推論と深層学習に参加する。 ニューラルネットワークは、ligoおよびvirgo検出器に与えられたシミュレーション重力波注入のための空座標と2つの質量のフォン・ミセス・フィッシャー分布とガウス分布をパラメータ化する。 ベイズ推定を数分で生成する予測に非常によく似た、見えない重力波イベントのためのスカイマップを生成する。 さらに、ニューラルネットワークから予測不良を検出し、素早くフラグを立てることができます。

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)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• 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)
• SpecGrav -- Detection of Gravitational Waves using Deep Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2021-07-08T05:06:34Z)
• 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)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• 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)
• Gravitational-wave selection effects using neural-network classifiers [0.0]
  我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。 スピン沈降、高次モード、複数検出器の影響を含める。 我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
  論文  参考訳（メタデータ） (2020-07-13T18:00:04Z)

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。