論文の概要: Binary Black Hole Parameter Estimation with Hybrid CNN-Transformer Neural Networks

• arxiv url: http://arxiv.org/abs/2606.13941v1
• Date: Thu, 11 Jun 2026 22:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.664638
• Title: Binary Black Hole Parameter Estimation with Hybrid CNN-Transformer Neural Networks
• Title（参考訳）: ハイブリッドCNN変換器ニューラルネットを用いた二元ブラックホールパラメータ推定
• Authors: Panagiotis N. Sakellariou, Spiros V. Georgakopoulos, Sotiris Tasoulis, Vassilis P. Plagianakos,
• Abstract要約: 機械学習とディープラーニングの最近の進歩は、信号検出とパラメータ推定の両方への応用への関心が高まっている。 本研究では,よく確立された畳み込みニューラルネットワークアーキテクチャとともにトランスフォーマーエンコーダの有効性を活用するハイブリッドディープラーニング戦略を提案する。 この研究の主な焦点は点推定であり、完全な後続分布ではなく、各パラメータに最も適した1つの値を生成する。
• 参考スコア（独自算出の注目度）: 0.27998963147546146
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The detection of gravitational waves has revolutionized our ability to explore fundamental aspects of the Universe. Traditionally, modeled gravitational-wave signals have been identified using template-based matched filtering, followed by coincidence analysis across multiple detectors in the signal-to-noise ratio time series. Recent advances in Machine Learning and Deep Learning have sparked growing interest in their application to both signal detection and parameter estimation. In this study, a hybrid Deep Learning strategy is proposed that leverages the effectiveness of Transformer encoders alongside well-established Convolutional Neural Network architectures in an attempt to estimate the intrinsic and extrinsic parameters of non-precessing binary black hole systems. The primary focus of this work is point estimation, producing single best-fit values for each parameter rather than full posterior distributions. This method is evaluated on both simulated signals embedded in Gaussian noise and real gravitational-wave events, and it demonstrates strong predictive performance and robustness across key astrophysical parameters.
• Abstract（参考訳）: 重力波の検出は、宇宙の基本的な側面を探索する我々の能力に革命をもたらした。 従来、テンプレートベースのマッチングフィルタを用いてモデル化された重力波信号を同定し、信号-雑音比時系列における複数の検出器間の同時解析を行った。 機械学習とディープラーニングの最近の進歩は、信号検出とパラメータ推定の両方への応用への関心が高まっている。 本研究では,変圧器エンコーダとよく確立された畳み込みニューラルネットワークアーキテクチャを併用したハイブリッドディープラーニング手法を提案し,非定常二元ブラックホール系の内在的・外在的パラメータを推定する。 この研究の主な焦点は点推定であり、完全な後続分布ではなく、各パラメータに最も適した1つの値を生成する。 この手法はガウスノイズと実際の重力波事象に埋め込まれた模擬信号で評価され、重要な天体物理パラメータ間で強い予測性能と堅牢性を示す。

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)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• DeepGrav: Anomalous Gravitational-Wave Detection Through Deep Latent Features [0.0]
  この研究は、重力波異常検出のための新しい深層学習に基づくアプローチを導入している。 ResNetにインスパイアされた畳み込みニューラルネットワークアーキテクチャを使用している。 NSF HDR A3D3: Detecting Anomalous Gravitational Wave Signals competition。
  論文  参考訳（メタデータ） (2025-03-05T16:14:22Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Lightning-Fast Gravitational Wave Parameter Inference through Neural Amortization [6.810835072367285]
  ニューラルシミュレーションに基づく推論の最近の進歩は、推論時間を最大3桁スピードアップすることができる。 シミュレーションされた重力波のパラメータの信頼区間を精度良く推定する。
  論文  参考訳（メタデータ） (2020-10-24T16:48:24Z)
• Gravitational-wave selection effects using neural-network classifiers [0.0]
  我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。 スピン沈降、高次モード、複数検出器の影響を含める。 我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
  論文  参考訳（メタデータ） (2020-07-13T18:00:04Z)

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。