論文の概要: Neural surrogates for designing gravitational wave detectors

• arxiv url: http://arxiv.org/abs/2511.19364v1
• Date: Mon, 24 Nov 2025 17:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.357118
• Title: Neural surrogates for designing gravitational wave detectors
• Title（参考訳）: 重力波検出器設計のためのニューラルサロゲート
• Authors: Carlos Ruiz-Gonzalez, Sören Arlt, Sebastian Lehner, Arturs Berzins, Yehonathan Drori, Rana X Adhikari, Johannes Brandstetter, Mario Krenn,
• Abstract要約: ニューラルサロゲートモデルが従来のCPUベースのシミュレータへの依存を著しく低減することを示す。 LIGO コミュニティが開発した重力波物理シミュレータ Finesse を代用するニューラルネットワークを訓練する。 我々のアルゴリズムは、サロゲートのトレーニング、新しい実験の逆設計、さらに訓練のために遅いシミュレータでそれらの特性を検証する間をループする。
• 参考スコア（独自算出の注目度）: 21.601009915564344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics simulators are essential in science and engineering, enabling the analysis, control, and design of complex systems. In experimental sciences, they are increasingly used to automate experimental design, often via combinatorial search and optimization. However, as the setups grow more complex, the computational cost of traditional, CPU-based simulators becomes a major limitation. Here, we show how neural surrogate models can significantly reduce reliance on such slow simulators while preserving accuracy. Taking the design of interferometric gravitational wave detectors as a representative example, we train a neural network to surrogate the gravitational wave physics simulator Finesse, which was developed by the LIGO community. Despite that small changes in physical parameters can change the output by orders of magnitudes, the model rapidly predicts the quality and feasibility of candidate designs, allowing an efficient exploration of large design spaces. Our algorithm loops between training the surrogate, inverse designing new experiments, and verifying their properties with the slow simulator for further training. Assisted by auto-differentiation and GPU parallelism, our method proposes high-quality experiments much faster than direct optimization. Solutions that our algorithm finds within hours outperform designs that take five days for the optimizer to reach. Though shown in the context of gravitational wave detectors, our framework is broadly applicable to other domains where simulator bottlenecks hinder optimization and discovery.
• Abstract（参考訳）: 物理シミュレータは科学と工学において必須であり、複雑なシステムの解析、制御、設計を可能にする。 実験科学では、しばしば組合せ探索と最適化によって、実験的な設計を自動化するために使われることが多い。 しかし、セットアップが複雑化するにつれて、従来のCPUベースのシミュレータの計算コストが大幅に制限される。 ここでは、ニューラルネットワークのサロゲートモデルが、そのような遅いシミュレータへの依存を著しく低減し、精度を保っていることを示す。 重力波検出器の設計を代表例として,LIGOコミュニティが開発した重力波物理シミュレータFineceの代理としてニューラルネットワークを訓練する。 物理パラメータの小さな変化は桁違いに出力を変更できるが、モデルは候補設計の品質と実現可能性を急速に予測し、大きな設計空間の効率的な探索を可能にする。 我々のアルゴリズムは、サロゲートのトレーニング、新しい実験の逆設計、さらに訓練のために遅いシミュレータでそれらの特性を検証する間をループする。 自動微分とGPU並列化の助けを借りて,本手法は直接最適化よりもはるかに高速な高品質な実験を提案する。 アルゴリズムが発見する解は、最適化者が到達するまでに5日かかる設計よりも数時間も早い。 重力波検出器の文脈で示されているが、我々のフレームワークはシミュレータのボトルネックが最適化と発見を妨げる他の領域にも広く適用できる。

関連論文リスト

• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)

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。