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

• arxiv url: http://arxiv.org/abs/2412.06946v2
• Date: Thu, 03 Jul 2025 08:56:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:13.171522
• Title: A Deep Learning Powered Numerical Relativity Surrogate for Binary Black Hole Waveforms
• Title（参考訳）: 2成分ブラックホール波形に対する深層学習型数値相対性サーロゲート
• 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: ニューラルネットワークに基づくNRサロゲートモデルに対する2段階のトレーニング手法を提案する。 これら2段階の人工神経サロゲートモデルは、高速かつ競争的に正確な波形生成を提供する。 パラメータ推定タスクに使用できることを示す。
• 参考スコア（独自算出の注目度）: 32.776709911649554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gravitational-wave approximants are essential for gravitational-wave astronomy, allowing the coverage binary black hole parameter space for inference or match filtering without costly numerical relativity (NR) simulations, but generally trading some accuracy for computational efficiency. To reduce this trade-off, NR surrogate models can be constructed using interpolation within NR waveform space. We present a 2-stage training approach for neural network-based NR surrogate models. Initially trained on approximant-generated waveforms and then fine-tuned with NR data, these dual-stage artificial neural surrogate (\texttt{DANSur}) models offer rapid and competitively accurate waveform generation, generating millions in under 20ms on a GPU while keeping mean mismatches with NR around $10^{-4}$. Implemented in the \textsc{bilby} framework, we show they can be used for parameter estimation tasks.
• Abstract（参考訳）: 重力波天文学には重力波近似法が不可欠であり、高コストな数値相対性理論 (NR) シミュレーションを使わずに、推測やフィルタリングのための二項ブラックホールパラメータ空間をカバーできるが、一般に計算効率のためにある程度の精度を交換できる。 このトレードオフを低減するために、NR波形空間内の補間を用いてNR代理モデルを構築することができる。 ニューラルネットワークに基づくNRサロゲートモデルに対する2段階のトレーニング手法を提案する。 当初、近似生成波形でトレーニングされ、NRデータで微調整されたこれらの2段階の人工ニューラルネットワーク(\texttt{DANSur})モデルは、高速かつ競争的に正確な波形生成を提供する。 textsc{bilby} フレームワークに実装され、パラメータ推定タスクに使用できることを示す。

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。