論文の概要: Physics-inspired spatiotemporal-graph AI ensemble for gravitational wave detection

• arxiv url: http://arxiv.org/abs/2306.15728v1
• Date: Tue, 27 Jun 2023 18:09:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 17:04:12.960612
• Title: Physics-inspired spatiotemporal-graph AI ensemble for gravitational wave detection
• Title（参考訳）: 重力波検出のための物理インスピレーション付き時空間グラフAIアンサンブル
• Authors: Minyang Tian, E.A. Huerta, Huihuo Zheng
• Abstract要約: 本稿では,ハイブリッド拡張畳み込みニューラルネットワークとグラフニューラルネットワークを組み合わせた重力波検出手法を提案する。 これらのAIモデルは、準円、非スピン、回転、非必要二元ブラックホール融合によって放出される重力波の信号検出のために試験される。 2つのAIモデルのアンサンブルは、信号検出のための最先端のパフォーマンスを実現し、検索されたデータの10年毎に7つの誤分類を報告します。
• 参考スコア（独自算出の注目度）: 2.191505742658975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel method for gravitational wave detection that combines: 1) hybrid dilated convolution neural networks to accurately model both short- and long-range temporal sequential information of gravitational wave signals; and 2) graph neural networks to capture spatial correlations among gravitational wave observatories to consistently describe and identify the presence of a signal in a detector network. These spatiotemporal-graph AI models are tested for signal detection of gravitational waves emitted by quasi-circular, non-spinning and quasi-circular, spinning, non-precessing binary black hole mergers. For the latter case, we needed a dataset of 1.2 million modeled waveforms to densely sample this signal manifold. Thus, we reduced time-to-solution by training several AI models in the Polaris supercomputer at the Argonne Leadership Supercomputing Facility within 1.7 hours by distributing the training over 256 NVIDIA A100 GPUs, achieving optimal classification performance. This approach also exhibits strong scaling up to 512 NVIDIA A100 GPUs. We then created ensembles of AI models to process data from a three detector network, namely, the advanced LIGO Hanford and Livingston detectors, and the advanced Virgo detector. An ensemble of 2 AI models achieves state-of-the-art performance for signal detection, and reports seven misclassifications per decade of searched data, whereas an ensemble of 4 AI models achieves optimal performance for signal detection with two misclassifications for every decade of searched data. Finally, when we distributed AI inference over 128 GPUs in the Polaris supercomputer and 128 nodes in the Theta supercomputer, our AI ensemble is capable of processing a decade of gravitational wave data from a three detector network within 3.5 hours.
• Abstract（参考訳）: 本稿では, 重力波検出のための新しい手法を提案する。 1)ハイブリッド拡張畳み込みニューラルネットワークは、重力波信号の短・長距離時間的情報の両方を正確にモデル化する。 2)重力波観測所間の空間相関を捉えるグラフニューラルネットワークは,検出器ネットワーク内の信号の存在を一貫して記述し,識別する。 これらの時空間グラフAIモデルは、準円、非スピン、準円、回転、非必要二元ブラックホール融合によって放出される重力波の信号検出のために試験される。 後者の場合、この信号多様体を密にサンプリングするために、120万のモデル波形のデータセットが必要でした。 そこで我々は、Argonne Leadership Supercomputing FacilityのPolarisスーパーコンピュータで1.7時間以内に複数のAIモデルをトレーニングし、256 NVIDIA A100 GPUにトレーニングを分散させ、最適な分類性能を実現することにより、解法までの時間を短縮した。 このアプローチはまた、NVIDIA A100 GPUの512までを強くスケーリングする。 次に,3つの検出器ネットワーク,すなわちadvanced ligo hanfordとlivingston検出器,advanced virgo検出器からデータを処理するためのaiモデルのアンサンブルを作成した。 2つのaiモデルのアンサンブルは、信号検出の最先端性能を達成し、検索データの10年毎に7つの誤分類を報告し、4つのaiモデルのアンサンブルは、検索データの10年毎に2つの誤分類による信号検出の最適な性能を達成する。 最後に、ポラリススーパーコンピュータに128個のgpuとthetaスーパーコンピュータに128個のノードを配置すると、我々のaiアンサンブルは3つの検出器ネットワークから10年分の重力波データを3.5時間以内に処理することができる。

関連論文リスト

• AI ensemble for signal detection of higher order gravitational wave modes of quasi-circular, spinning, non-precessing binary black hole mergers [0.36832029288386137]
  我々は、準時間的、回転的、必要でない二元ブラックホール質量を記述した240万の波形を持つAIを訓練する。 次に、転送を使用して、潜在的な二元ブラックホールの総質量を推定する学習予測器を作成する。 これは、重力順の重力波モード信号を探し、見つけるために設計された最初のAIアンサンブルである。
  論文  参考訳（メタデータ） (2023-09-29T18:00:03Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• 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)
• LSTM and CNN application for core-collapse supernova search in gravitational wave real data [0.0]
  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。
  論文  参考訳（メタデータ） (2023-01-23T12:12:33Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• Inference-optimized AI and high performance computing for gravitational wave detection at scale [3.6118662460334527]
  我々は、32ノードを用いたサミットスーパーコンピュータでトレーニングした重力波検出のための人工知能モデルのアンサンブルを導入する。 我々はArgonne Leadership Computer FacilityのThetaGPUスーパーコンピュータに推論最適化AIアンサンブルをデプロイする。 NVIDIARTに最適化されたAIアンサンブルは、50秒以内に、先進的なLIGOデータ(ハンフォードやリビングストンのデータストリームを含む)の1ヶ月を要した。
  論文  参考訳（メタデータ） (2022-01-26T19:00:01Z)
• AI and extreme scale computing to learn and infer the physics of higher order gravitational wave modes of quasi-circular, spinning, non-precessing binary black hole mergers [1.7056768055368385]
  準円、回転、不要な二元ブラックホール融合の高次重力波モードの物理学を学習し、推理する。 我々は、代理モデルNRHybSur3dq8で生成された1400万の波形を用いてAIモデルを訓練する。 数値相対性波形の質量比, 個々のスピン, 有効スピン, 傾斜角の決定論的および確率的推定値を得る。
  論文  参考訳（メタデータ） (2021-12-13T19:00:00Z)
• Interpretable AI forecasting for numerical relativity waveforms of quasi-circular, spinning, non-precessing binary black hole mergers [1.4438155481047366]
  本稿では, 数値相対性理論の遅延的, 合併, リングダウンを学習し, 予測できるディープラーニング人工知能モデルを提案する。 私たちはArgonne Leadership Computing FacilityのThetaスーパーコンピュータを使って、150万の波形のトレーニングセットを使用してAIモデルをトレーニングしました。 その結果,人工知能は数値相対性理論波形の動的進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-13T18:14:52Z)
• 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)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• 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。