論文の概要: Fast frequency reconstruction using Deep Learning for event recognition in ring laser data

• arxiv url: http://arxiv.org/abs/2510.03325v1
• Date: Wed, 01 Oct 2025 15:18:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.831527
• Title: Fast frequency reconstruction using Deep Learning for event recognition in ring laser data
• Title（参考訳）: リングレーザデータにおけるイベント認識のためのDeep Learningを用いた高速周波数再構成
• Authors: Giuseppe Di Somma, Giorgio Carelli, Angela D. V. Di Virgilio, Francesco Fuso, Enrico Maccioni, Paolo Marsili,
• Abstract要約: 約10ミリ秒以内に数百ヘルツの周波数を再構成できるニューラルネットワーク手法を提案する。 本手法は、GINGERINOの運用範囲における周波数推定精度を2倍に向上させ、標準フーリエ法より優れる。 高速周波数推定に加えて,レーザ不安定性や地震イベントなどの信号の物理的乱れを識別する自動分類フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reconstruction of a frequency with minimal delay from a sinusoidal signal is a common task in several fields; for example Ring Laser Gyroscopes, since their output signal is a beat frequency. While conventional methods require several seconds of data, we present a neural network approach capable of reconstructing frequencies of several hundred Hertz within approximately 10 milliseconds. This enables rapid trigger generation. The method outperforms standard Fourier-based techniques, improving frequency estimation precision by a factor of 2 in the operational range of GINGERINO, our Ring Laser Gyroscope.\\ In addition to fast frequency estimation, we introduce an automated classification framework to identify physical disturbances in the signal, such as laser instabilities and seismic events, achieving accuracy rates between 99\% and 100\% on independent test datasets for the seismic class. These results mark a step forward in integrating artificial intelligence into signal analysis for geophysical applications.
• Abstract（参考訳）: 正弦波信号からの最小遅延周波数の再構成は、例えばリングレーザージャイロスコープの出力信号がビート周波数であるため、いくつかの分野において一般的な課題である。 従来の手法では数秒のデータを必要とするが,約10ミリ秒以内に数百ヘルツの周波数を再構成できるニューラルネットワーク手法を提案する。 これにより、迅速なトリガー生成が可能となる。 この手法は標準的なフーリエ法よりも優れており、我々のリングレーザージャイロスコープであるGINGERINOの動作範囲における周波数推定精度を2倍に向上させる。 高速周波数推定に加えて,レーザ不安定性や地震発生などの信号の物理的乱れを識別する自動分類フレームワークを導入し,地震学クラスの独立試験データセットの精度を99\%から100\%に向上させる。 これらの結果は、地球物理学応用のための信号分析に人工知能を統合するための一歩である。

関連論文リスト

• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Remote Detection of Applications for Improved Beam Tracking in mmWave/sub-THz 5G/6G Systems [37.35086075012511]
  ビームトラッキングはミリ波(mmWave, 30-100 GHz)とサブテラヘルツ(サブTHz, 100-300 GHz)の5G/6Gシステムに不可欠な機能である。 基地局(BS)とユーザ機器(UE)の両方でアンテナ掃除を行う。 本稿では,エアインターフェースにおける適用形態の明示的なシグナリングがない場合,受信信号強度パターンに基づいて,BS側でリモートで検出する方法を提案する。
  論文  参考訳（メタデータ） (2024-10-24T10:55:21Z)
• 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)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Dilated convolutional neural network for detecting extreme-mass-ratio inspirals [8.809900732195281]
  本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。 我々は,SNRを50～120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
  論文  参考訳（メタデータ） (2023-08-31T03:16:38Z)
• Iterative Adaptive Spectroscopy of Short Signals [0.1338174941551702]
  ラムゼー干渉法に基づく適応周波数検出プロトコルを開発した。 ラムゼイ配列を強化し、センシング状態と読み出し状態の両方で高い忠実度で調製することにより、高精度を実現する。
  論文  参考訳（メタデータ） (2022-04-10T18:07:50Z)
• 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)

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。