論文の概要: Deep Residual Error and Bag-of-Tricks Learning for Gravitational Wave Surrogate Modeling

• arxiv url: http://arxiv.org/abs/2203.08434v2
• Date: Wed, 23 Aug 2023 06:48:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 19:28:55.644074
• Title: Deep Residual Error and Bag-of-Tricks Learning for Gravitational Wave Surrogate Modeling
• Title（参考訳）: 重力波サーロゲートモデリングのための残留誤差とバグオブトリック学習
• Authors: Styliani-Christina Fragkouli, Paraskevi Nousi, Nikolaos Passalis, Panagiotis Iosif, Nikolaos Stergioulas, Anastasios Tefas
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 32.15071712355222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning methods have been employed in gravitational-wave astronomy to accelerate the construction of surrogate waveforms for the inspiral of spin-aligned black hole binaries, among other applications. We face the challenge of modeling the residual error of an artificial neural network that models the coefficients of the surrogate waveform expansion (especially those of the phase of the waveform) which we demonstrate has sufficient structure to be learnable by a second network. Adding this second network, we were able to reduce the maximum mismatch for waveforms in a validation set by 13.4 times. We also explored several other ideas for improving the accuracy of the surrogate model, such as the exploitation of similarities between waveforms, the augmentation of the training set, the dissection of the input space, using dedicated networks per output coefficient and output augmentation. In several cases, small improvements can be observed, but the most significant improvement still comes from the addition of a second network that models the residual error. Since the residual error for more general surrogate waveform models (when e.g., eccentricity is included) may also have a specific structure, one can expect our method to be applicable to cases where the gain in accuracy could lead to significant gains in computational time.
• Abstract（参考訳）: 深層学習法は重力波天文学において、スピン整列ブラックホール双対の吸気のための代理波形の構築を加速するために用いられている。 我々は,第2のネットワークで学習可能な構造を有するサロゲート波形展開(特に波形の位相)の係数をモデル化する人工ニューラルネットワークの残差誤差をモデル化する課題に直面している。 この第2のネットワークを追加することで、13.4倍の検証で波形の最大ミスマッチを削減できた。 また、波形間の類似性の利用、トレーニングセットの強化、入力空間の切断、出力係数ごとの専用ネットワークの利用、出力拡張など、サロゲートモデルの精度を向上させるためのいくつかのアイデアについても検討した。 いくつかのケースでは小さな改善が見られるが、最も大きな改善は残差エラーをモデル化する第2のネットワークの追加によるものである。 より一般的なサロゲート波形モデル(例えば偏心性を含む場合)の残差も特定の構造を持つ可能性があるため、精度の上昇が計算時間において顕著な利得をもたらす場合に適用できると期待できる。

関連論文リスト

• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Taper-based scattering formulation of the Helmholtz equation to improve the training process of Physics-Informed Neural Networks [0.0]
  この研究は、2つの半無限導波路を接続する接合における入射波の散乱問題に対処する。 PINNはスペクトルバイアスとヘルムホルツ方程式の双曲的性質に悩まされていることが知られている。 我々はヘルムホルツ境界値問題の等価な定式化を提案する。
  論文  参考訳（メタデータ） (2024-04-15T13:51:20Z)
• 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)
• 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)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)
• 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)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Phase-Modulated Radar Waveform Classification Using Deep Networks [12.980296933051509]
  本稿では,SIDLEデータセットからの非同期波形の分類誤差を18%から0.14%に低減できることを示した。 また,過去の研究とは異なり,多重重なり波形の正確な分類も可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-15T20:07:17Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。