論文の概要: A Novel Multi-Layer Modular Approach for Real-Time Gravitational-Wave
Detection
- arxiv url: http://arxiv.org/abs/2206.06004v1
- Date: Mon, 13 Jun 2022 09:48:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 18:23:54.285982
- Title: A Novel Multi-Layer Modular Approach for Real-Time Gravitational-Wave
Detection
- Title(参考訳): リアルタイム重力波検出のための新しい多層モジュラーアプローチ
- Authors: Francesco Pio Barone, Daniele Dell'Aquila, Marco Russo
- Abstract要約: 本稿では,音声処理技術に触発された重力波のリアルタイム検出のための新しい階層化フレームワークを提案する。
本稿では,フレームワークの基本概念と,最初の3つのレイヤの導出について述べる。
畳み込みニューラルネットワークのような、より複雑なアプローチと比較して、我々のフレームワークは、似たような性能を持っているが、計算の複雑さははるかに低い。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advanced LIGO and Advanced Virgo ground-based interferometers are poised to
probe an unprecedentedly large volume of space, enhancing the discovery power
of the observations to even new sources of gravitational wave emitters. In this
scenario, the development of highly optimized gravitational wave detection
algorithms is crucial. We propose a novel layered framework for real-time
detection of gravitational waves inspired by speech processing techniques and,
in the present implementation, based on a state-of-the-art machine learning
approach involving a hybridization of genetic programming and neural networks.
The key aspects of the newly proposed framework are: the well structured,
layered approach, and the low computational complexity. The paper describes the
basic concepts of the framework and the derivation of the first three layers.
Even if, in the present implementation, the layers are based on models derived
using a machine learning approach, the proposed layered structure has a
universal nature. To train and test the models, we used simulated binary black
hole gravitational wave waveforms in synthetic Gaussian noise representative of
Advanced LIGO sensitivity design. Compared to more complex approaches, such as
convolutional neural networks, our framework, even using the simple ground
model described in the paper, has similar performance but with a much lower
computational complexity and a higher degree of modularity. Furthermore, the
underlying exploitation of short-term features makes the results of the new
framework virtually independent against time-position of gravitational wave
signals, simplifying its future exploitation in real-time multi-layer pipelines
for gravitational-wave detection with second generation interferometers.
- Abstract(参考訳): 高度なLIGOと高度なVirgo地上ベースの干渉計は、前例のないほど大量の宇宙空間を探査し、重力波エミッターの新たな源に観測の発見能力を高めている。
このシナリオでは、高度に最適化された重力波検出アルゴリズムの開発が重要である。
本稿では,音声処理技術に触発された重力波のリアルタイム検出のための新しい階層化フレームワークを提案し,その実装において,遺伝的プログラミングとニューラルネットワークのハイブリッド化を含む最先端の機械学習アプローチに基づく。
新しく提案されたフレームワークの重要な側面は、よく構造化された、階層化されたアプローチと低い計算複雑性である。
本稿では,フレームワークの基本概念と,最初の3つのレイヤの導出について述べる。
たとえこの実装において、機械学習アプローチで導出されたモデルに基づいていても、提案された階層構造は普遍的な性質を持つ。
モデルの訓練および試験には, 高度なLIGO感度設計を示す合成ガウス雑音における二元ブラックホール重力波波形を用いた。
畳み込みニューラルネットワークのようなより複雑なアプローチと比較すると、我々のフレームワークは、論文に記述された単純な基底モデルでさえも、同様の性能を持つが、計算の複雑さはずっと低く、モジュール性も高い。
さらに、短期的な特徴の活用は、新しい枠組みの結果を重力波信号の時間配置と事実上独立にし、第2世代の干渉計による重力波検出のためのリアルタイム多層パイプラインの将来の利用を単純化する。
関連論文リスト
- Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks [1.124958340749622]
シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。
本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-10-09T02:44:53Z) - Rapid Parameter Estimation for Extreme Mass Ratio Inspirals Using Machine Learning [15.908645530312487]
EMRI(Extreme-mass-ratio Inspiral)信号は重力波(GW)天文学において重要な課題である。
機械学習は、EMRI信号に関連する最大17のパラメータを含む広大な空間を効率的に処理できる可能性があることを示す。
論文 参考訳(メタデータ) (2024-09-12T11:36:23Z) - Phononic materials with effectively scale-separated hierarchical features using interpretable machine learning [57.91994916297646]
構造的階層的な音波材料は、複数の周波数範囲にわたるエラストダイナミック波と振動の有望なチューニング性を引き起こしている。
本稿では、各長さスケールの特徴が対象周波数範囲内の帯域ギャップをもたらす階層単位セルを求める。
提案手法は,階層型設計空間における新しい領域の探索を柔軟かつ効率的に行う手法である。
論文 参考訳(メタデータ) (2024-08-15T21:35:06Z) - Compact Binary Systems Waveform Generation with Generative Pre-trained
Transformer [9.4516663566774]
宇宙ベースの重力波(GW)検出は、今後10年で最も期待されているGW検出プロジェクトの一つである。
深層学習法はGW波形の生成と外挿のために広く研究されていない。
我々の研究は、GW領域における大規模モデルの可能性を示し、今後の研究の新たな機会とガイダンスを開放する。
論文 参考訳(メタデータ) (2023-10-31T04:40:20Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳(メタデータ) (2023-09-22T06:19:11Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳(メタデータ) (2022-10-08T04:32:58Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Space-based gravitational wave signal detection and extraction with deep
neural network [13.176946557548042]
宇宙ベースの重力波検出器(GW)は、現在の地上での観測でほぼ不可能に近い音源からの信号を観測することができる。
本稿では,全宇宙GWソースに対して高精度なGW信号検出・抽出手法を提案する。
論文 参考訳(メタデータ) (2022-07-15T11:48:15Z) - 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) - 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) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳(メタデータ) (2020-09-15T02:01:47Z)
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。