論文の概要: NRSurNN3dq4: A Deep Learning Powered Numerical Relativity Surrogate for Binary Black Hole Waveforms

• arxiv url: http://arxiv.org/abs/2412.06946v1
• Date: Mon, 09 Dec 2024 19:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:35:20.998719
• Title: NRSurNN3dq4: A Deep Learning Powered Numerical Relativity Surrogate for Binary Black Hole Waveforms
• Title（参考訳）: NRSurNN3dq4: 二つのブラックホール波形に対する深層学習型数値相対性理論
• Authors: Osvaldo Gramaxo Freitas, Anastasios Theodoropoulos, Nino Villanueva, Tiago Fernandes, Solange Nunes, José A. Font, Antonio Onofre, Alejandro Torres-Forné, José D. Martin-Guerrero,
• Abstract要約: 重力波近似法は重力波天文学において広く用いられる。 これを最小化する一つの方法は、いわゆるtextitsurrogate モデルを構築することである。 本研究では,ニューラルネットワークを用いたBBH合併波形のサロゲートモデルであるtexttNRSurNN3dq4を提案する。
• 参考スコア（独自算出の注目度）: 32.776709911649554
• License:
• Abstract: Gravitational wave approximants are widely used tools in gravitational-wave astronomy. They allow for dense coverage of the parameter space of binary black hole (BBH) mergers for purposes of parameter inference, or, more generally, match filtering tasks, while avoiding the computationally expensive full evolution of numerical relativity simulations. However, this comes at a slight cost in terms of accuracy when compared to numerical relativity waveforms, depending on the approach. One way to minimize this is by constructing so-called~\textit{surrogate models} which, instead of using approximate physics or phenomenological formulae, rather interpolate within the space of numerical relativity waveforms. In this work, we introduce~\texttt{NRSurNN3dq4}, a surrogate model for non-precessing BBH merger waveforms powered by neural networks. By relying on the power of deep learning, this approximant is remarkably fast and competitively accurate, as it can generate millions of waveforms in a tenth of a second, while mismatches with numerical relativity waveforms are restrained below $10^{-3}$. We implement this approximant within the~\textsc{bilby} framework for gravitational-wave parameter inference, and show that it it is suitable for parameter estimation tasks.
• Abstract（参考訳）: 重力波近似法は重力波天文学において広く用いられる。 これらは、パラメータ推論の目的のために二項ブラックホール(BBH)の融合のパラメータ空間の密接なカバレッジを可能にしたり、より一般的には、数値相対性理論の計算コストの高い完全進化を避けながら、フィルタリングタスクにマッチする。 しかし、このアプローチによっては、数値相対性理論の波形と比較して精度の面では若干のコストがかかる。 この最小化の1つの方法は、近似物理学や現象学の式を使う代わりに、数値相対論波形の空間内で補間するいわゆる~\textit{surrogate model}を構築することである。 本稿では,ニューラルネットワークを用いた非定常BBH合併波形の代理モデルである~\texttt{NRSurNN3dq4}を紹介する。 深層学習の力に頼ることにより、この近似は驚くほど高速かつ競争的に正確であり、数百万の波形を10分の1秒で生成できる一方、数値相対性波形とのミスマッチは10〜3ドル以下に抑えられる。 重力波パラメータ推定のフレームワークである~\textsc{bilby} でこの近似を実装し,パラメータ推定に適していることを示す。

関連論文リスト

• Quantum Bayesian Inference with Renormalization for Gravitational Waves [1.4555521588662113]
  重力波干渉計で検出された小型のバイナリコレッセンスからパラメータの量子推論を行うために,ハイブリッド量子アルゴリズムを提案する。 LIGO観測所から二元ブラックホール(BBH)の融合をアルゴリズムをテストする最初のケースとして選択するが、その応用はより一般的なインスタンスに拡張できる。
  論文  参考訳（メタデータ） (2024-02-29T14:22:16Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• Using machine learning to parametrize postmerger signals from binary neutron stars [2.375594719720939]
  我々は、条件付き変分オートエンコーダ(CVAE)を用いて、超大質量中性子星残差信号のアフターマーガーモデルを構築する。 CVAEは、潜在パラメータのセット内のトレーニングデータの不確実性を符号化する。 CVAEは正確な生成モデルとして利用でき、有効な潜在表現として状態方程式を符号化できることを示す。
  論文  参考訳（メタデータ） (2022-01-17T15:14:35Z)
• 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)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)
• 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)
• Physics-inspired deep learning to characterize the signal manifold of quasi-circular, spinning, non-precessing binary black hole mergers [4.43457632632169]
  我々は、天体物理学的なブラックホールのスピン特性の一般相対論的制約を組み込んだ新しい最適化スキームで訓練されたWaveNetの修正版を導入する。 高性能計算と物理に着想を得た最適化アルゴリズムの収束により、二元ブラックホール融合の質量比と個々のスピンの正確な再構築が可能となる。
  論文  参考訳（メタデータ） (2020-04-20T18:00:02Z)

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。