論文の概要: Testing General Relativity Through Gravitational Wave Classification: A Convolutional Neural Network Framework

• arxiv url: http://arxiv.org/abs/2605.02453v1
• Date: Mon, 04 May 2026 10:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.22558
• Title: Testing General Relativity Through Gravitational Wave Classification: A Convolutional Neural Network Framework
• Title（参考訳）: 重力波分類による一般相対性試験:畳み込みニューラルネットワークフレームワーク
• Authors: Lavinia Heisenberg, Shayan Hemmatyar, Hector Villarrubia-Rojo,
• Abstract要約: 一般相対性理論(GR)を二元ブラックホール融合の重力波信号で検証する機械学習フレームワークを提案する。 我々は、制御位相変形を適用して、シミュレーションされたGR波形を生成し、GR(BGR)波形を超えて構成する。 我々はこの枠組みをアインシュタイン形式(ppE)を用いて物理的動機付け理論に拡張し、それを大重力に応用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a machine learning framework for testing general relativity (GR) with gravitational wave signals from binary black hole mergers. Using the source parameters of 173 BBH events from the GWTC catalog as a realistic astrophysical population, we generate simulated GR waveforms and construct beyond GR (BGR) waveforms by applying controlled phase deformations. We introduce a response function formalism that provides a systematic framework for quantifying how any observable responds to modifications of GR. We train convolutional neural networks (CNNs) on two input representations: whitened waveforms and a response function type observable derived from the waveform mismatch, which isolates the effect of phase deviations from the bulk signal. Using response functions as the CNN input improves the classification sensitivity by a factor of approximately 33 compared to whitened waveforms, demonstrating that the choice of observable representation is as important as the classifier architecture. We study the fundamental limits of this classification through Bayes optimal error analysis, averaging methods that reveal coherent patterns hidden in noise, and a comparison between CNN accuracy and a single feature classifier as a proxy for human performance. At all deformation scales, the CNN outperforms the best single feature approach. We extend the framework to physically motivated theories using the parameterized post Einsteinian (ppE) formalism and apply it to massive gravity, where the classifier detects deviations for graviton masses of order $m_g \sim 10^{-23}\;\mathrm{eV}/c^2$ with aLIGO design sensitivity.
• Abstract（参考訳）: 一般相対性理論(GR)を二元ブラックホール融合の重力波信号で検証する機械学習フレームワークを提案する。 GWTCカタログから得られた173個のBBHイベントのソースパラメータを現実的な天体物理集団として利用し、シミュレーションされたGR波形を生成し、制御された位相変形を適用してGR(BGR)波形を超えて構成する。 本稿では,GRの修正に対して可観測物がどのように反応するかを定量化するための体系的な枠組みを提供する応答関数形式について紹介する。 我々は,2つの入力表現に対して畳み込みニューラルネットワーク(CNN)を訓練する:白色波形と波形ミスマッチから導出される応答関数型観測可能であり,バルク信号から位相偏差の影響を分離する。 応答関数をCNN入力として使用すると、白色波形に比べて約33因子の分類感度が向上し、可観測表現の選択が分類器アーキテクチャと同じくらい重要であることを示す。 ベイズ最適誤差解析、雑音に隠れたコヒーレントパターンを平均化する手法、CNNの精度と特徴分類器を人間のパフォーマンスのプロキシとして比較し、この分類の基本的限界について検討する。 あらゆる変形スケールにおいて、CNNは最高の単一機能アプローチよりも優れています。 この枠組みをアインシュタイン形式(ppE)を用いて物理的動機付け理論に拡張し、大重力に応用し、分類器は、次数$m_g \sim 10^{-23}\;\mathrm{eV}/c^2$の重力質量の偏差をALIGO設計感度で検出する。

関連論文リスト

• Learning spectral density functions in open quantum systems [0.0]
  ノイズデータからスペクトル密度関数を再構成するために, 純劣化チャネルと振幅減衰チャネルを備えた正確に解像可能なスピンボソンモデルを用いる。 我々のニューラルネットワークは、ノイズ信号のフィルタリングと一般的な機能的依存関係の学習によって、構造化された密度を頑健に再構築する。
  論文  参考訳（メタデータ） (2026-02-27T14:45:59Z)
• The Adaptive Vekua Cascade: A Differentiable Spectral-Analytic Solver for Physics-Informed Representation [0.0]
  適応型ニューラルネットワークは、連続体界を表現する強力なツールとして登場した。 スペクトルバイアスと次元の呪いの2つの基本的な病理に直面する。 本稿では,関数近似から解析的デカップリングを学習するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-12T18:41:35Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Learning and Interpreting Gravitational-Wave Features from CNNs with a Random Forest Approach [9.455814650734618]
  本稿では,CNNに基づく特徴抽出器とランダムフォレスト(RF)分類器を組み合わせたハイブリッドアーキテクチャを提案する。 提案手法では, 物理的に解釈可能な4つの指標 – 分散, 信号対雑音比 (SNR) , 波形重なり, ピーク振幅 – を導入している。 長期歪データセットを用いて実験した結果,我々のハイブリッドモデルはベースラインCNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-26T07:33:27Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• 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)
• Asymmetric Heavy Tails and Implicit Bias in Gaussian Noise Injections [73.95786440318369]
  我々は、勾配降下(SGD)のダイナミクスに対する注射ノイズの影響であるGNIsのいわゆる暗黙効果に焦点を当てています。 この効果は勾配更新に非対称な重尾ノイズを誘発することを示す。 そして、GNIが暗黙のバイアスを引き起こすことを正式に証明し、これは尾の重みと非対称性のレベルによって異なる。
  論文  参考訳（メタデータ） (2021-02-13T21:28:09Z)

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。