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) - DECODE: DilatEd COnvolutional neural network for Detecting
Extreme-mass-ratio inspirals [9.4516663566774]
本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。
我々は,SNRを50~120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
論文 参考訳(メタデータ) (2023-08-31T03:16:38Z) - 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) - 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) - 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) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - 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) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。