Fugu-MT 論文翻訳(概要): Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer

論文の概要: Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer

arxiv url: http://arxiv.org/abs/2310.20172v3
Date: Wed, 6 Mar 2024 03:27:45 GMT
ステータス: 処理完了
システム内更新日: 2024-03-07 17:41:38.739323
Title: Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer
Title（参考訳）: 生成予訓練変圧器を用いた小型二元系波形生成
Authors: Ruijun Shi, Yue Zhou, Tianyu Zhao, Zhoujian Cao, Zhixiang Ren
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.4516663566774
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Space-based gravitational wave (GW) detection is one of the most anticipated GW detection projects in the next decade, which promises to detect abundant compact binary systems. At present, deep learning methods have not been widely explored for GW waveform generation and extrapolation. To solve the data processing difficulty and the increasing waveform complexity caused by the detector's response and second-generation time-delay interferometry (TDI 2.0), an interpretable pre-trained large model named CBS-GPT (Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer) is proposed. For compact binary system waveforms, three models were trained to predict the waveforms of massive black hole binaries (MBHB), extreme mass-ratio inspirals (EMRIs), and galactic binaries (GB), achieving prediction accuracies of at most 99%, 91%, and 99%, respectively. The CBS-GPT model exhibits notable generalization and interpretability, with its hidden parameters effectively capturing the intricate information of waveforms, even with the complex instrument response and a wide parameter range. Our research demonstrates the potential of large models in the GW realm, opening up new opportunities and guidance for future researches such as complex waveforms generation, gap completion, and deep learning model design for GW science.
Abstract（参考訳）: 宇宙ベースの重力波(GW)検出は今後10年間で最も期待されているGW検出計画の1つであり、膨大なコンパクトなバイナリシステムを検出することを約束している。現在,gw波形の生成と外挿については,深層学習法が広く研究されていない。 CBS-GPT(Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer)と呼ばれる解釈可能な大モデルであるTDI 2.0を提案する。コンパクトな二元系波形について,質量ブラックホール二元系 (mbhb), 極大質量比吸気系 (emris), 銀河二元系 (gb) の波形を予測し, それぞれ99%, 91%, 99%の予測精度を得た。 CBS-GPTモデルは、複雑な機器応答と広いパラメータ範囲であっても、その隠れパラメータが波形の複雑な情報を効果的に捉えることで、顕著な一般化と解釈可能性を示す。本研究は,GW領域における大規模モデルの可能性を示し,複雑な波形生成やギャップ補完,GW科学のためのディープラーニングモデル設計など,今後の研究への新たな機会とガイダンスを提示する。

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)
Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文参考訳（メタデータ） (2024-04-17T02:04:10Z)
Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
論文参考訳（メタデータ） (2024-03-18T21:07:57Z)
Efficient Machine Learning Ensemble Methods for Detecting Gravitational Wave Glitches in LIGO Time Series [0.614609308117547]
本稿では,GW観測所から異なる種類のノイズやパターンを検出するための2つの新しい機械学習アンサンブル手法を提案する。我々は、Advanced Laser Interferometer GW Observatoryによって収集された実世界のデータから、注釈付き時系列からなるデータセット上で、我々のモデルを訓練し、テストする。提案したDeepWaves Ensembleに次いでShallowWaves Ensembleに近づいた。
論文参考訳（メタデータ） (2023-11-02T10:07:30Z)
Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文参考訳（メタデータ） (2023-07-17T07:12:29Z)
Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文参考訳（メタデータ） (2023-05-18T12:30:26Z)
A novel multi-layer modular approach for real-time fuzzy-identification of gravitational-wave signals [0.0]
本稿では,音声処理技術に触発された重力波のリアルタイム検出のための新しい階層化フレームワークを提案する。本稿では,フレームワークの基本概念と,最初の3つのレイヤの導出について述べる。畳み込みニューラルネットワークのようなより複雑なアプローチと比較して、我々のフレームワークは精度が低い。
論文参考訳（メタデータ） (2022-06-13T09:48:38Z)
Knowledge Graph Based Waveform Recommendation: A New Communication Waveform Design Paradigm [10.223169932738042]
本稿では,知識グラフに基づくインテリジェントレコメンデーションシステムを用いた新しい波形設計パラダイムを提案する。提案手法は,既存の波形の構造的特徴と表現による設計効率の向上を目的としている。提案したCWKGベースのCWRSは,信頼性の高い波形候補を自動的に推薦できることを示す。
論文参考訳（メタデータ） (2022-01-24T08:39:03Z)
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)
Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文参考訳（メタデータ） (2021-06-23T18:00:05Z)
Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。 3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文参考訳（メタデータ） (2020-07-09T01:45:06Z)

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。