論文の概要: Auto-encoder model for faster generation of effective one-body gravitational waveform approximations
- arxiv url: http://arxiv.org/abs/2511.12642v1
- Date: Sun, 16 Nov 2025 15:18:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.421284
- Title: Auto-encoder model for faster generation of effective one-body gravitational waveform approximations
- Title（参考訳）: 有効1体重力波形近似の高速生成のためのオートエンコーダモデル
- Authors: Suyog Garg, Feng-Li Lin, Kipp Cannon,
- Abstract要約: 本稿では,アライメントスピンSEOBNRv4インスピリアルリングダウン波形の生成を高速化するための条件付き変分自動エンコーダモデルを提案する。
我々のモデルは平均速度4.46msで0.1秒で100の波形を生成することができる。
これは、lalsimulationのネイティブSEOBNRv4実装よりも2～3桁高速である。
- 参考スコア（独自算出の注目度）: 0.8602553195689513
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Upgrades to current gravitational wave detectors for the next observation run and upcoming third-generation observatories, like the Einstein telescope, are expected to have enormous improvements in detection sensitivities and compact object merger event rates. Estimation of source parameters for a wider parameter space that these detectable signals will lie in, will be a computational challenge. Thus, it is imperative to have methods to speed-up the likelihood calculations with theoretical waveform predictions, which can ultimately make the parameter estimation faster and aid in rapid multi-messenger follow-ups. Towards this end, we present a conditional variational auto-encoder model, based on the best performing architecture of Liao+2021, for faster generation of aligned-spin SEOBNRv4 inspiral-merger-ringdown waveforms. Our parameter space consists of four parameters, [$m_1$, $m_2$, $χ_1(z)$, $χ_2(z)$]. The masses are uniformly sampled in $[5,75]\,M_{\odot}$ with a mass ratio limit at $10\,M_{\odot}$, while the spins are uniform in $[-0.99,0.99]$. We train the model using $\sim10^5$ input waveforms data with a 70\%/10\% train/validation split, while 20\% data are reserved for testing. The median mismatch for the generated waveforms in the test dataset is $\sim10^{-2}$, with better performance in a restricted parameter space of $χ_{\rm eff}\in[-0.80,0.80]$. Our model is able to generate 100 waveforms in 0.1 second at an average speed of about 4.46 ms per waveform. This is 2-3 orders of magnitude faster than the native SEOBNRv4 implementation in lalsimulation. The latent sampling uncertainty of our model can be quantified with a mean mismatch deviation of $2\times10^{-1}$ for 1000 generations of the same waveform. Our work aims to be the first step towards developing a production-ready machine learning framework for the faster generation of gravitational waveform approximations.
- Abstract（参考訳）: 次の観測で現在の重力波検出器にアップグレードされ、アインシュタイン望遠鏡のような第3世代の観測所が検出感度とコンパクトな物体融合イベント率に大きな改善を期待されている。
これらの検出可能な信号が入るより広いパラメータ空間のソースパラメータの推定は、計算上の課題である。
したがって、理論波形予測を用いて確率計算を高速化する手法が不可欠であり、最終的にはパラメータ推定を高速化し、高速なマルチ・メッセージ・フォローアップを支援することができる。
この目的のために,Liao+2021の最高のアーキテクチャに基づく条件付き変分自動エンコーダモデルを提案し,アライメントスピンSEOBNRv4インスピラルマーガーリングダウン波形を高速に生成する。
パラメータ空間は、[$m_1$, $m_2$, $s_1(z)$, $s_1(z)$]の4つのパラメータからなる。
質量は$[5,75]\,M_{\odot}$で、質量比は10\,M_{\odot}$で、スピンは$[-0.99,0.99]$で一様である。
入力波形データを70 %/10 % の列車/バリデーションスプリットでトレーニングし、20 % のデータをテスト用に予約する。
テストデータセットにおける生成された波形の中央値のミスマッチは$\sim10^{-2}$であり、制限パラメータ空間のより優れた性能は$-0.80,0.80]$である。
我々のモデルは、平均速度4.46msで0.1秒で100の波形を生成することができる。
これは、lalsimulationにおけるネイティブSEOBNRv4実装よりも2～3桁高速である。
我々のモデルにおける潜時サンプリングの不確実性は、同じ波形の1000世代に対して平均ミスマッチ偏差2.10^{-1}$で定量することができる。
我々の研究は、重力波形近似を高速に生成するための実運用対応機械学習フレームワークの開発に向けた第一歩である。
関連論文リスト
- 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) - Sublinear Time Quantum Sensitivity Sampling [57.356528942341534]
本稿では、量子感応サンプリングのための統一的なフレームワークを提案し、量子コンピューティングの利点を古典近似問題の幅広いクラスに拡張する。
我々のフレームワークは、コアセットを構築するための合理化されたアプローチを提供し、クラスタリング、回帰、低ランク近似などのアプリケーションにおいて、大幅なランタイム改善を提供します。
論文 参考訳（メタデータ） (2025-09-20T20:18:49Z) - Beyond likelihood ratio bias: Nested multi-time-scale stochastic approximation for likelihood-free parameter estimation [49.78792404811239]
確率分析形式が不明なシミュレーションベースモデルにおける推論について検討する。
我々は、スコアを同時に追跡し、パラメータ更新を駆動する比率のないネスト型マルチタイムスケール近似(SA)手法を用いる。
我々のアルゴリズムは、オリジナルのバイアス$Obig(sqrtfrac1Nbig)$を排除し、収束率を$Obig(beta_k+sqrtfracalpha_kNbig)$から加速できることを示す。
論文 参考訳（メタデータ） (2024-11-20T02:46:15Z) - Sequence modeling of higher-order wave modes of binary black hole mergers [0.0]
準円、回転、非精密な二元ブラックホールの融合による高次重力波モードは、これらの系の非線形力学に関する重要な情報を符号化する。
我々はこれらの波形をトランスフォーマーアーキテクチャを用いてモデル化し、リングダウンによる晩期から晩期までの進化を目標にしている。
以上の結果から,変圧器を用いたモデルでは,双対ブラックホール融合の非線形ダイナミクスを高精度に捉えることが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-09-05T18:00:11Z) - 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) - AI and extreme scale computing to learn and infer the physics of higher
order gravitational wave modes of quasi-circular, spinning, non-precessing
binary black hole mergers [1.7056768055368385]
準円、回転、不要な二元ブラックホール融合の高次重力波モードの物理学を学習し、推理する。
我々は、代理モデルNRHybSur3dq8で生成された1400万の波形を用いてAIモデルを訓練する。
数値相対性波形の質量比, 個々のスピン, 有効スピン, 傾斜角の決定論的および確率的推定値を得る。
論文 参考訳（メタデータ） (2021-12-13T19:00:00Z) - 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) - Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。
i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文 参考訳（メタデータ） (2020-07-16T06:44:44Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳（メタデータ） (2020-02-18T15:44:04Z)
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。