論文の概要: Space-based gravitational wave signal detection and extraction with deep neural network

• arxiv url: http://arxiv.org/abs/2207.07414v1
• Date: Fri, 15 Jul 2022 11:48:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-18 19:15:30.721818
• Title: Space-based gravitational wave signal detection and extraction with deep neural network
• Title（参考訳）: 深部ニューラルネットワークを用いた宇宙ベース重力波信号の検出と抽出
• Authors: Tianyu Zhao, Ruoxi Lyu, Zhixiang Ren, He Wang, Zhoujian Cao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.858380759590148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Space-based gravitational wave (GW) detectors will be able to observe signals from sources that are otherwise nearly impossible from current ground-based detection. Consequently, the well established signal detection method, matched filtering, will require a complex template bank, leading to a computational cost that is too expensive in practice. Here, we develop a high-accuracy GW signal detection and extraction method for all space-based GW sources. As a proof of concept, we show that a science-driven and uniform multi-stage deep neural network can identify synthetic signals that are submerged in Gaussian noise. Our method has more than 99% accuracy for signal detection of various sources while obtaining at least 95% similarity compared with target signals. We further demonstrate the interpretability and strong generalization behavior for several extended scenarios.
• Abstract（参考訳）: 重力波(gw)検出器は、現在の地上検出ではほとんど不可能に近い源からの信号を観測することができる。 したがって、適切に確立された信号検出手法であるマッチングフィルタリングは複雑なテンプレートバンクを必要とするため、実際には高価すぎる計算コストにつながる。 本稿では,空間型gw源の高精度gw信号検出・抽出法を開発した。 概念実証として、科学駆動で均一な多段階深層ニューラルネットワークはガウス雑音に沈み込む合成信号を特定することができることを示す。 提案手法は,各音源の信号検出に99%以上精度があり,目標信号と比較して95%以上の類似性が得られる。 さらに、いくつかの拡張シナリオに対する解釈可能性および強い一般化挙動を示す。

関連論文リスト

• 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)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• DeepSNR: A deep learning foundation for offline gravitational wave detection [0.0]
  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。
  論文  参考訳（メタデータ） (2022-07-11T10:18:33Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• 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)
• Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
  本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。 ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
  論文  参考訳（メタデータ） (2021-07-27T09:56:49Z)
• 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)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Complete parameter inference for GW150914 using deep learning [0.0]
  LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。 検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。 本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
  論文  参考訳（メタデータ） (2020-08-07T18:00:02Z)
• 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。