論文の概要: Machine-Learning Love: classifying the equation of state of neutron stars with Transformers

• arxiv url: http://arxiv.org/abs/2210.08382v1
• Date: Sat, 15 Oct 2022 21:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 18:07:00.075969
• Title: Machine-Learning Love: classifying the equation of state of neutron stars with Transformers
• Title（参考訳）: 機械学習愛 : 変圧器による中性子星の状態方程式の分類
• Authors: Gon\c{c}alo Gon\c{c}alves, M\'arcio Ferreira, Jo\~ao Aveiro, Antonio Onofre, Felipe F. Freitas, Constan\c{c}a Provid\^encia, Jos\'e A. Font
• Abstract要約: 重力波データ解析におけるAudio Spectrogram Transformer(AST)モデルの適用について検討した。 二元中性子星合体からの吸気重力波信号のシミュレーションデータセットにモデルを適用した。
• 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: The use of the Audio Spectrogram Transformer (AST) model for gravitational-wave data analysis is investigated. The AST machine-learning model is a convolution-free classifier that captures long-range global dependencies through a purely attention-based mechanism. In this paper a model is applied to a simulated dataset of inspiral gravitational wave signals from binary neutron star coalescences, built from five distinct, cold equations of state (EOS) of nuclear matter. From the analysis of the mass dependence of the tidal deformability parameter for each EOS class it is shown that the AST model achieves a promising performance in correctly classifying the EOS purely from the gravitational wave signals, especially when the component masses of the binary system are in the range $[1,1.5]M_{\odot}$. Furthermore, the generalization ability of the model is investigated by using gravitational-wave signals from a new EOS not used during the training of the model, achieving fairly satisfactory results. Overall, the results, obtained using the simplified setup of noise-free waveforms, show that the AST model, once trained, might allow for the instantaneous inference of the cold nuclear matter EOS directly from the inspiral gravitational-wave signals produced in binary neutron star coalescences.
• Abstract（参考訳）: 重力波データ解析におけるAudio Spectrogram Transformer(AST)モデルの適用について検討した。 AST機械学習モデルは、純粋に注意に基づくメカニズムを通じて長距離グローバルな依存関係をキャプチャする畳み込みのない分類器である。 本稿では、二元中性子星の合体による吸気重力波信号のシミュレーションデータセットにモデルを適用し、核物質の5つの異なる低温状態方程式(eos)から構築した。 また,各EOS級の潮位変形パラメータの質量依存性を解析した結果, ASTモデルは重力波信号からEOSを純粋に分類する上で, 特に2次系の成分質量が[1,1.5]M_{\odot}$の範囲にある場合, 期待できる性能を達成できることが示唆された。 さらに, モデルトレーニングに使用されていない新しいEOSの重力波信号を用いて, モデルの一般化能力について検討し, 良好な結果を得た。 全体として、ノイズフリー波形の簡易なセットアップを用いて得られた結果は、ASTモデルが一度訓練されると、二元中性子星の合体で発生する吸気重力波信号から直接、コールド核物質EOSを瞬時に推定できることを示している。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• Energy reconstruction for large liquid scintillator detectors with machine learning techniques: aggregated features approach [0.6015898117103069]
  本研究は, JUNOにおけるエネルギー再構成のための機械学習手法について述べる。 核融合炉核由来のJUNO$-$ニュートリノの主信号に対応する0-10MeVのエネルギー範囲における陽電子事象に焦点を当てた。 我々は,PMTによって収集された情報を用いて,集約された特徴に基づいて学習したブースト決定木と完全連結ディープニューラルネットワークについて考察する。
  論文  参考訳（メタデータ） (2022-06-17T22:50:50Z)
• Interpreting a Machine Learning Model for Detecting Gravitational Waves [6.139541666440539]
  コンピュータビジョンのために開発された解釈可能性技術は、重力波の探索と探索に使用される機械学習モデルに適用する。 本研究は,非ガウスおよび非定常レーザー干渉計重力波観測装置(LIGO)データにおけるブラックホールの融合事象を検出するために訓練された。
  論文  参考訳（メタデータ） (2022-02-15T13:49:13Z)
• Using machine learning to parametrize postmerger signals from binary neutron stars [2.375594719720939]
  我々は、条件付き変分オートエンコーダ(CVAE)を用いて、超大質量中性子星残差信号のアフターマーガーモデルを構築する。 CVAEは、潜在パラメータのセット内のトレーニングデータの不確実性を符号化する。 CVAEは正確な生成モデルとして利用でき、有効な潜在表現として状態方程式を符号化できることを示す。
  論文  参考訳（メタデータ） (2022-01-17T15:14:35Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。