論文の概要: Real-time gravitational-wave inference for binary neutron stars using machine learning
- arxiv url: http://arxiv.org/abs/2407.09602v1
- Date: Fri, 12 Jul 2024 18:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 21:38:05.855178
- Title: Real-time gravitational-wave inference for binary neutron stars using machine learning
- Title（参考訳）: 機械学習を用いた二元中性子星のリアルタイム重力波推定
- Authors: Maximilian Dax, Stephen R. Green, Jonathan Gair, Nihar Gupte, Michael Pürrer, Vivien Raymond, Jonas Wildberger, Jakob H. Macke, Alessandra Buonanno, Bernhard Schölkopf,
- Abstract要約: 近似を行なわずに1秒で完全なBNS推論を行う機械学習アプローチを開発する。
提案手法は, 最大1時間までの非常に長い信号にスケールし, 次世代地上・宇宙用検出器のデータ解析の青写真として機能する。
- 参考スコア（独自算出の注目度）: 71.29593576787549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mergers of binary neutron stars (BNSs) emit signals in both the gravitational-wave (GW) and electromagnetic (EM) spectra. Famously, the 2017 multi-messenger observation of GW170817 led to scientific discoveries across cosmology, nuclear physics, and gravity. Central to these results were the sky localization and distance obtained from GW data, which, in the case of GW170817, helped to identify the associated EM transient, AT 2017gfo, 11 hours after the GW signal. Fast analysis of GW data is critical for directing time-sensitive EM observations; however, due to challenges arising from the length and complexity of signals, it is often necessary to make approximations that sacrifice accuracy. Here, we develop a machine learning approach that performs complete BNS inference in just one second without making any such approximations. This is enabled by a new method for explicit integration of physical domain knowledge into neural networks. Our approach enhances multi-messenger observations by providing (i) accurate localization even before the merger; (ii) improved localization precision by $\sim30\%$ compared to approximate low-latency methods; and (iii) detailed information on luminosity distance, inclination, and masses, which can be used to prioritize expensive telescope time. Additionally, the flexibility and reduced cost of our method open new opportunities for equation-of-state and waveform systematics studies. Finally, we demonstrate that our method scales to extremely long signals, up to an hour in length, thus serving as a blueprint for data analysis for next-generation ground- and space-based detectors.
- Abstract（参考訳）: 二元中性子星(BNS)の融合は重力波(GW)と電磁スペクトル(EM)の両方で信号を放出する。
有名なことに、GW170817のマルチセンサー観測は、宇宙論、核物理学、重力の科学的な発見につながった。
これらの結果の中心は、GW170817の場合、GW信号の11時間後、関連するEM過渡性AT 2017gfoを特定するのに役立った、GWデータから得られる空の局在と距離である。
GWデータの高速解析は、時間に敏感なEM観測を誘導するために重要であるが、信号の長さと複雑さから生じる問題のため、精度を犠牲にする近似を行う必要があることが多い。
そこで我々は,そのような近似を行なわずに,1秒で完全なBNS推論を行う機械学習手法を開発した。
これは、物理的なドメイン知識をニューラルネットワークに明示的に統合する新しい方法によって実現されている。
提案手法によるマルチメーカ観測の促進
一 合併前の正確な位置決め
(ii) 近似低遅延法と比較して印加精度を$\sim30\%$で改善し,
三 光度距離、傾き、質量の詳細な情報で、高価な望遠鏡の時間を優先することができる。
さらに,本手法の柔軟性とコスト削減により,状態方程式および波形体系研究の新しい機会が開かれた。
最後に,提案手法は最大1時間までの超長信号にスケールし,次世代地上・宇宙用検出器のデータ解析の青写真として機能することを示す。
関連論文リスト
- Rapid Parameter Estimation for Extreme Mass Ratio Inspirals Using Machine Learning [15.908645530312487]
EMRI(Extreme-mass-ratio Inspiral)信号は重力波(GW)天文学において重要な課題である。
機械学習は、EMRI信号に関連する最大17のパラメータを含む広大な空間を効率的に処理できる可能性があることを示す。
論文 参考訳（メタデータ） (2024-09-12T11:36:23Z) - Machine Learning for Exoplanet Detection in High-Contrast Spectroscopy: Revealing Exoplanets by Leveraging Hidden Molecular Signatures in Cross-Correlated Spectra with Convolutional Neural Networks [0.0]
分光の相互相関は、惑星のスペクトルを主星から分離するために分子テンプレートを用いる。
我々は、相互相関分光(MLCCS)のための機械学習を導入する。
この手法は、大気中の特定の分子の存在など、外惑星の特徴付けに関する弱い仮定を活用し、外惑星の検出感度を向上させることを目的としている。
論文 参考訳（メタデータ） (2024-05-22T09:25:58Z) - From Chaos to Clarity: Time Series Anomaly Detection in Astronomical Observations [6.903396830919462]
天文観測における教師なし異常検出のための2段階フレームワークを提案する。
最初の段階では、トランスフォーマーベースのエンコーダデコーダアーキテクチャを用いて、各星の通常の時間パターンを学習する。
第2段階では、並列ノイズの発生に対処するために、ウィンドウワイズグラフ構造学習を用いてグラフニューラルネットワークを強化する。
論文 参考訳（メタデータ） (2024-03-15T11:39:12Z) - Searching for long faint astronomical high energy transients: a data
driven approach [1.5851170136095292]
宇宙起源の高エネルギー検出器のバックグラウンドカウント率を評価するための新しいフレームワークを提案する。
我々は、異なる時間スケールで背景光曲線を推定するためにニューラルネットワーク(NN)を用いる。
我々は,NASAのFermi Gamma-ray Burst Monitor(GBM)のアーカイブデータに基づいて,新しいソフトウェアをテストする。
論文 参考訳（メタデータ） (2023-03-28T12:47:00Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - 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) - 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) - A protocol of potential advantage in the low frequency range to
gravitational wave detection with space based optical atomic clocks [0.0]
光学格子原子時計を用いた低周波重力波検出法を提案する。
我々の成果は、低周波GWに関連する物理的および天体物理学的な効果を研究することを目的とした宇宙生まれの観測所の開発が進行中である。
論文 参考訳（メタデータ） (2020-05-14T08:56:58Z) - Proposal for an optical interferometric measurement of the gravitational
red-shift with satellite systems [52.77024349608834]
アインシュタイン等価原理(Einstein Equivalence Principle,EEP)は、重力のすべての計量理論を基盤とする。
象徴的な重力赤方偏移実験は、2つのフェルミオン系(時計として使われる)を異なる重力ポテンシャルに配置する。
衛星大距離光干渉測定実験の実装における基本的な点は、一階ドップラー効果の抑制である。
本研究では,地上局と衛星の双方向構成において,一方向の位相シフトを減らして抑制する新しい手法を提案する。
論文 参考訳（メタデータ） (2018-11-12T16:25:57Z)
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。