論文の概要: 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
- arxiv url: http://arxiv.org/abs/2112.07669v1
- Date: Mon, 13 Dec 2021 19:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 17:28:37.113242
- Title: 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
- Title(参考訳): aiとエクストリーム・スケール・コンピューティングによる準円形、スピン、非摂動二値ブラックホールの高次重力波モードの物理の学習と推論
- Authors: Asad Khan, E.A. Huerta
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.7056768055368385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We use artificial intelligence (AI) to learn and infer the physics of higher
order gravitational wave modes of quasi-circular, spinning, non precessing
binary black hole mergers. We trained AI models using 14 million waveforms,
produced with the surrogate model NRHybSur3dq8, that include modes up to $\ell
\leq 4$ and $(5,5)$, except for $(4,0)$ and $(4,1)$, that describe binaries
with mass-ratios $q\leq8$ and individual spins $s^z_{\{1,2\}}\in[-0.8, 0.8]$.
We use our AI models to obtain deterministic and probabilistic estimates of the
mass-ratio, individual spins, effective spin, and inclination angle of
numerical relativity waveforms that describe such signal manifold. Our studies
indicate that AI provides informative estimates for these physical parameters.
This work marks the first time AI is capable of characterizing this
high-dimensional signal manifold. Our AI models were trained within 3.4 hours
using distributed training on 256 nodes (1,536 NVIDIA V100 GPUs) in the Summit
supercomputer.
- Abstract(参考訳): 我々は人工知能(AI)を用いて、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、推論する。
私たちは、サロゲートモデルnrhybsur3dq8で生成された1400万の波形を使ってaiモデルを訓練しました。これは$(4,0)$と$(4,1)$を除いて$\ell \leq 4$と$(5,5)$のモードを含み、質量比$q\leq8$と個々のスピン$s^z_{\{1,2\}}\in[-0.8, 0.8]$のバイナリを記述する。
我々はaiモデルを用いて,そのような信号多様体を記述する数値相対性波形の質量比,個々のスピン,有効スピン,傾斜角の決定的・確率的推定を行う。
我々の研究は、AIがこれらの物理パラメータに情報的推定を提供することを示している。
この研究は、AIがこの高次元信号多様体を特徴付けることができる最初の例である。
私たちのAIモデルは、サミットスーパーコンピュータの256ノード(1,536 NVIDIA V100 GPU)で分散トレーニングを使用して3.4時間以内にトレーニングされました。
関連論文リスト
- Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳(メタデータ) (2024-01-17T18:59:38Z) - 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) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - 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) - 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) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳(メタデータ) (2022-06-24T17:58:13Z) - Inference-optimized AI and high performance computing for gravitational
wave detection at scale [3.6118662460334527]
我々は、32ノードを用いたサミットスーパーコンピュータでトレーニングした重力波検出のための人工知能モデルのアンサンブルを導入する。
我々はArgonne Leadership Computer FacilityのThetaGPUスーパーコンピュータに推論最適化AIアンサンブルをデプロイする。
NVIDIARTに最適化されたAIアンサンブルは、50秒以内に、先進的なLIGOデータ(ハンフォードやリビングストンのデータストリームを含む)の1ヶ月を要した。
論文 参考訳(メタデータ) (2022-01-26T19:00:01Z) - Interpretable AI forecasting for numerical relativity waveforms of
quasi-circular, spinning, non-precessing binary black hole mergers [1.4438155481047366]
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。
論文 参考訳(メタデータ) (2021-10-13T18:14:52Z) - 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) - 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。