論文の概要: LSTM and CNN application for core-collapse supernova search in
gravitational wave real data
- arxiv url: http://arxiv.org/abs/2301.09387v1
- Date: Mon, 23 Jan 2023 12:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 13:44:41.955719
- Title: LSTM and CNN application for core-collapse supernova search in
gravitational wave real data
- Title（参考訳）: LSTMとCNNによる重力波実データ中核崩壊超新星探索
- Authors: Alberto Iess and Elena Cuoco and Filip Morawski and Constantina
Nicolaou and Ofer Lahav
- Abstract要約: コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。
実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: $Context.$ Core-collapse supernovae (CCSNe) are expected to emit
gravitational wave signals that could be detected by current and future
generation interferometers within the Milky Way and nearby galaxies. The
stochastic nature of the signal arising from CCSNe requires alternative
detection methods to matched filtering. $Aims.$ We aim to show the potential of
machine learning (ML) for multi-label classification of different CCSNe
simulated signals and noise transients using real data. We compared the
performance of 1D and 2D convolutional neural networks (CNNs) on single and
multiple detector data. For the first time, we tested multi-label
classification also with long short-term memory (LSTM) networks. $Methods.$ We
applied a search and classification procedure for CCSNe signals, using an event
trigger generator, the Wavelet Detection Filter (WDF), coupled with ML. We used
time series and time-frequency representations of the data as inputs to the ML
models. To compute classification accuracies, we simultaneously injected, at
detectable distance of 1\,kpc, CCSN waveforms, obtained from recent
hydrodynamical simulations of neutrino-driven core-collapse, onto
interferometer noise from the O2 LIGO and Virgo science run. $Results.$ We
compared the performance of the three models on single detector data. We then
merged the output of the models for single detector classification of noise and
astrophysical transients, obtaining overall accuracies for LIGO ($\sim99\%$)
and ($\sim80\%$) for Virgo. We extended our analysis to the multi-detector case
using triggers coincident among the three ITFs and achieved an accuracy of
$\sim98\%$.
- Abstract（参考訳）: 価格:$context。
コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の中で現在および将来の世代の干渉計によって検出される重力波信号を放出することが期待されている。
CCSNeから生じる信号の確率的性質は、マッチングフィルタリングに代わる検出方法を必要とする。
$Aims。
実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類における機械学習(ML)の可能性を示すことを目的としている。
我々は,1次元および2次元畳み込みニューラルネットワーク(CNN)の性能を,単一および複数検出器データ上で比較した。
また,Long Short-term memory (LSTM) ネットワークを用いた複数ラベル分類実験を行った。
methods です。
我々は、イベントトリガ発生器であるウェーブレット検出フィルタ(WDF)とMLを組み合わせたCCSNe信号の探索および分類手順を適用した。
mlモデルの入力として,データの時系列表現と時間周波数表現を用いた。
分類精度を計算するため,ニュートリノ駆動核崩壊の流体力学シミュレーションから得られた1\,kpc,CCSN波形を,O2 LIGOおよびVirgo科学ランからの干渉計ノイズに同時に注入した。
results.com。
単体検出器データにおける3つのモデルの性能を比較した。
次に、単一検出器によるノイズと天体の過渡現象の分類のためのモデルの出力をマージし、ligo ($\sim99\%$) と virgo ($\sim80\%$) の全体的なアキュラシーを得た。
3つのitf間で一致したトリガーを用いて解析をマルチ検出器ケースに拡張し,$\sim98\%$ の精度を得た。
関連論文リスト
- Novelty Detection on Radio Astronomy Data using Signatures [5.304803553490439]
SigNovaは、ストリームデータ中の異常を検出するための、新しい半教師付きフレームワークである。
我々は、シグネチャ変換を用いて観測シーケンスから統計の標準的コレクションを抽出する。
各特徴ベクトルは、RFIフリートレーニングセットにおいて、マハラノビスから隣人への距離として計算されたノベルティスコアが割り当てられる。
論文 参考訳（メタデータ） (2024-02-22T14:13:44Z) - 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) - A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series [1.3316902142331577]
我々は、スペクトル時系列のスパース集合からIa型超新星(SNe Ia)の固有多様性を学習するために確率論的自己エンコーダを構築する。
PAEは低次元の潜伏空間を学習し、人口内に存在する非線形な特徴を捉えていることを示す。
次に、SNe Ia上の多くの下流タスクにPAEを使用し、より正確に宇宙論的な分析を行う。
論文 参考訳（メタデータ） (2022-07-15T17:58:27Z) - 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) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Towards a method to anticipate dark matter signals with deep learning at
the LHC [58.720142291102135]
ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。
通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。
これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
論文 参考訳（メタデータ） (2021-05-25T15:38:13Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - Detection of Gravitational Waves Using Bayesian Neural Networks [0.0]
重力波観測データ(GW)におけるコンパクト二元合体現象を検出するためのベイズニューラルネットワークの新しいモデルを提案する。
我々のモデルは、LIGO Livingston O2データ中の7つのBBH事象をすべて検出し、GW波形の周期を正確にラベル付けした。
これにより、我々のモデルは、ほぼリアルタイムに検出でき、最先端のHPCを用いてより大規模なデータセットでより深いトレーニングを行う際に、合体現象を予測できる。
論文 参考訳（メタデータ） (2020-07-08T15:07:08Z) - 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) - Core-Collapse Supernova Gravitational-Wave Search and Deep Learning
Classification [0.0]
核崩壊超新星爆発によって放出される重力波の探索と分類について述べる。
入力には時系列重力波データを用いた1次元CNN探索と、入力としてデータの時間周波数表現を用いた2次元CNN探索の両方を用いる。
1次元CNNパイプラインと2次元CNNパイプラインの分類精度は95%以上である。
論文 参考訳（メタデータ） (2020-01-01T23:32:55Z)
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。