論文の概要: Rapid Likelihood Free Inference of Compact Binary Coalescences using Accelerated Hardware
- arxiv url: http://arxiv.org/abs/2407.19048v1
- Date: Fri, 26 Jul 2024 19:07:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-07-30 20:02:28.889162
- Title: Rapid Likelihood Free Inference of Compact Binary Coalescences using Accelerated Hardware
- Title（参考訳）: アクセラレーションハードウェアを用いた小型二元相関系の高速自由推論
- Abstract要約: 正規化フローを用いた確率自由推論に基づく重力波パラメータ推定アルゴリズムAMPLFIについて報告する。
本稿では,高速化ハードウェア上でのデータローディングと事前処理に関するアルゴリズムと最適化について述べる。
LIGO-Virgoデータのモックデータストリームへのオンラインデプロイに基づいて、Aframe + AMPLFIはBBH候補をピックアップし、$sim 6$sのネットレイテンシでデータ取得からリアルタイムアラートのパラメータを推論することができる。
- 参考スコア（独自算出の注目度）: 8.145436073845612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We report a gravitational-wave parameter estimation algorithm, AMPLFI, based on likelihood-free inference using normalizing flows. The focus of AMPLFI is to perform real-time parameter estimation for candidates detected by machine-learning based compact binary coalescence search, Aframe. We present details of our algorithm and optimizations done related to data-loading and pre-processing on accelerated hardware. We train our model using binary black-hole (BBH) simulations on real LIGO-Virgo detector noise. Our model has $\sim 6$ million trainable parameters with training times $\lesssim 24$ hours. Based on online deployment on a mock data stream of LIGO-Virgo data, Aframe + AMPLFI is able to pick up BBH candidates and infer parameters for real-time alerts from data acquisition with a net latency of $\sim 6$s.
- Abstract（参考訳）: 正規化フローを用いた確率自由推論に基づく重力波パラメータ推定アルゴリズムAMPLFIについて報告する。
AMPLFIの焦点は、機械学習に基づくコンパクトなバイナリ合体探索であるAframeによって検出された候補に対して、リアルタイムなパラメータ推定を行うことである。
本稿では,高速化ハードウェア上でのデータローディングと事前処理に関するアルゴリズムと最適化について述べる。
我々は,実LIGO-Virgo検出器ノイズに対する二元ブラックホール(BBH)シミュレーションを用いてモデルを訓練する。
私たちのモデルは、トレーニングタイムが$\lesssim 24$ hoursのトレーニング可能なパラメータが$\sim 6$000である。
LIGO-Virgoデータのモックデータストリームへのオンラインデプロイに基づいて、Aframe + AMPLFIはBBH候補をピックアップし、データ取得からリアルタイムアラートのパラメータを$\sim 6$sで推論することができる。
関連論文リスト
- SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。
SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。
各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
論文 参考訳（メタデータ） (2026-03-11T05:00:48Z) - Accelerated characterization of two-level systems in superconducting qubits via machine learning [74.02542457579791]
本稿では,2レベルシステム(TLS)パラメーターを抽出するためのデータ駆動型アプローチを提案する。
カスタム畳み込みニューラルネットワークモデル(CNN)は、フォーム形式で提示された分光データから、$omega_TLS$, $g$, $T_TLS, 1$と$Tphi_TLS, 2$を同時に予測することができる。
論文 参考訳（メタデータ） (2025-09-22T12:55:52Z) - Improving gravitational wave search sensitivity with TIER: Trigger Inference using Extended strain Representation [0.0]
重力波探索パイプラインの感度を向上させるために,$textttTIER$という機械学習フレームワークを導入する。
LIGO-Virgo-Kagra O3データでは、最大で$sim 20%の高感度ボリューム時間の改善が見られます。
我々の枠組みを適用することで、いくつかの準閾値重力波候補の重要性が増す。
論文 参考訳（メタデータ） (2025-07-11T05:08:38Z) - SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。
トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
論文 参考訳（メタデータ） (2024-11-20T10:23:21Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - High performance Boson Sampling simulation via data-flow engines [1.9348290147402305]
本研究では,バラシュラマン式-バクス-フランカリン-グリン式を一般化し,永久評価における行乗数を考慮した。
このアルゴリズムをFPGAベースのデータフローエンジン上に実装し、開発したアクセサリーを用いてボソンサンプリングシミュレーションを最大40ドルまで高速化する。
論文 参考訳（メタデータ） (2023-09-13T15:32:07Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - 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) - 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) - JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。
GP-UCBに類似した条件下では, 応答が得られないことを示す。
実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
論文 参考訳（メタデータ） (2021-06-02T05:03:38Z) - Parameter Estimation for the SEIR Model Using Recurrent Nets [28.065980818744208]
微分可能な目的に基づいて、最適な$Theta_textSEIR$を見つけます。
提案手法は,シミュレーション数が少なく,パラメータ推定精度が大幅に向上することを示した。
論文 参考訳（メタデータ） (2021-05-30T12:51:45Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳（メタデータ） (2020-08-16T11:36:11Z) - 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) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z)
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。