論文の概要: DeepSNR: A deep learning foundation for offline gravitational wave
detection
- arxiv url: http://arxiv.org/abs/2207.04749v1
- Date: Mon, 11 Jul 2022 10:18:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 21:45:43.760149
- Title: DeepSNR: A deep learning foundation for offline gravitational wave
detection
- Title（参考訳）: DeepSNR: オフライン重力波検出のためのディープラーニング基盤
- Authors: Michael Andrews, Manfred Paulini, Luke Sellers, Alexey Bobrick, Gianni
Martire, Haydn Vestal
- Abstract要約: 本稿では,Deep Learning Signal-to-Noise Ratio(DeepSNR)検出パイプラインを提案する。
DeepSNRの性能は、最初の観測結果から開放されたLIGOデータにおいて、二元ブラックホール融合候補とノイズ源とを識別することによって実証される。
その結果、より広い文脈で重力波や希少信号の科学的発見にDeepSNRが使われる方法が明らかにされた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: All scientific claims of gravitational wave discovery to date rely on the
offline statistical analysis of candidate observations in order to quantify
significance relative to background processes. The current foundation in such
offline detection pipelines in experiments at LIGO is the matched-filter
algorithm, which produces a signal-to-noise-ratio-based statistic for ranking
candidate observations. Existing deep-learning-based attempts to detect
gravitational waves, which have shown promise in both signal sensitivity and
computational efficiency, output probability scores. However, probability
scores are not easily integrated into discovery workflows, limiting the use of
deep learning thus far to non-discovery-oriented applications. In this paper,
the Deep Learning Signal-to-Noise Ratio (DeepSNR) detection pipeline, which
uses a novel method for generating a signal-to-noise ratio ranking statistic
from deep learning classifiers, is introduced, providing the first foundation
for the use of deep learning algorithms in discovery-oriented pipelines. The
performance of DeepSNR is demonstrated by identifying binary black hole merger
candidates versus noise sources in open LIGO data from the first observation
run. High-fidelity simulations of the LIGO detector responses are used to
present the first sensitivity estimates of deep learning models in terms of
physical observables. The robustness of DeepSNR under various experimental
considerations is also investigated. The results pave the way for DeepSNR to be
used in the scientific discovery of gravitational waves and rare signals in
broader contexts, potentially enabling the detection of fainter signals and
never-before-observed phenomena.
- Abstract（参考訳）: 重力波発見に関するすべての科学的主張は、背景過程に対する重要性を定量化するために、候補観測のオフライン統計分析に依存している。
LIGOの実験におけるこのようなオフライン検出パイプラインの現在の基礎はマッチングフィルタアルゴリズムであり、信号対雑音比に基づく統計を候補観測のランク付けのために生成する。
既存のディープラーニングに基づく重力波検出の試みは、信号感度と計算効率の両方において有望であり、確率スコアを出力する。
しかし、確率スコアは発見ワークフローに簡単には統合されず、ディープラーニングの使用を非発見指向のアプリケーションに制限している。
本稿では,Deep Learning Signal-to-Noise Ratio (DeepSNR) 検出パイプラインについて紹介する。
DeepSNRの性能は、最初の観測結果からオープンLIGOデータ中の二元ブラックホールの衝突候補とノイズ源とを同定することによって実証される。
ligo検出器応答の忠実度シミュレーションは、物理観測量の観点からディープラーニングモデルの最初の感度推定を示すために用いられる。
種々の実験的考察に基づくDeepSNRのロバスト性についても検討した。
その結果、より広い文脈で重力波や希少信号の科学的発見にDeepSNRを使う方法が明らかになり、ファイター信号や観測されない現象の検出が可能になった。
関連論文リスト
- 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) - Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。
従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。
しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
論文 参考訳（メタデータ） (2021-10-17T15:21:27Z) - From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。
これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文 参考訳（メタデータ） (2021-08-24T13:25:02Z) - 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) - Training Strategies for Deep Learning Gravitational-Wave Searches [43.55994393060723]
我々は、非スピン性二元ブラックホールからの信号に分析を限定する。
トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。
深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
論文 参考訳（メタデータ） (2021-06-07T16:04:29Z) - Deep learning of nanopore sensing signals using a bi-path network [2.365787390596455]
双方向ネットワーク(B-Net)に基づく特徴抽出にディープラーニングを用いる
b−netは、信号対雑音比1のデータを処理することができる。
開発したB-Netはパルスナノ極電流を超えるパルス様信号のジェネリックです。
論文 参考訳（メタデータ） (2021-05-08T10:11:22Z) - A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。
得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文 参考訳（メタデータ） (2021-04-19T14:43:07Z) - Generalized Approach to Matched Filtering using Neural Networks [4.535489275919893]
我々は,新たな深層学習と従来の技術との関係について重要な観察を行う。
一致するフィルタリングは、特定のニューラルネットワークと正式に等価です。
提案するニューラルネットワークアーキテクチャがマッチングフィルタリングよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-08T17:59:07Z) - 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) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳（メタデータ） (2020-06-02T10:20:11Z)
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。