論文の概要: AI-enabled gravitational-waves searches for binary neutron stars at optimal sensitivity

• arxiv url: http://arxiv.org/abs/2607.01372v1
• Date: Wed, 01 Jul 2026 18:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.554928
• Title: AI-enabled gravitational-waves searches for binary neutron stars at optimal sensitivity
• Title（参考訳）: 最適感度で2元中性子星を探索するAI対応重力波
• Authors: Bhavya Gupta, Deep Chatterjee, William Benoit, Ethan Marx, Christina Reissel, Seiya Tsukamoto, Kyungseop Yoon, Michael W. Coughlin, Philip Harris, Erik Katsavounidis,
• Abstract要約: 重力波は、宇宙のブラックホールや中性子星のようなコンパクトな天体の理解を深めます。 我々は、ニューラルネットワークを用いてデータ内の信号の存在を学習する別のアプローチを提案する。 我々のアルゴリズムは、Aframeと呼ばれ、LVKの第4回観測飛行で展開され、複数のバイナリブラックホール(BBH)をライブで検出する人工知能(AI)による最初の検索でした。
• 参考スコア（独自算出の注目度）: 0.0506971582448744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gravitational Waves (GWs) represent the newest window of astronomy, furthering our understanding of compact objects like black holes and neutron stars in the Universe. The signal from two merging neutron stars is especially interesting since it brings the prospect of concordant electromagnetic and neutrino emissions. Such multi-messenger observations have a transformational impact on fundamental physics, nuclear matter, astrophysics, and gravity. It was first witnessed in 2017 with the detection of the binary neutron star (BNS) merger GW170817. However, searching for BNS signals in real-time in the LIGO-Virgo-KAGRA (LVK) GW detectors presents a computational challenge, as the data streaming out must be matched against $\sim$ million reference waveforms, which requires up to a thousand CPU cores. We present a different approach using neural networks to learn the presence of a signal in the data. Our algorithm, called Aframe, was deployed in the LVK's fourth observing run and was the first artificial intelligence (AI)-enabled search to detect multiple binary black holes (BBHs) live. In this work, we demonstrate that the approach extends to the lower-mass BNS regime, and is the first AI-enabled search that achieves sensitivity comparable to matched-filter pipelines at lower computational and latency costs. The challenge of the longer-duration BNS signals is addressed by heterodyning the data, following which the network architecture used for BBHs is sufficient to distinguish signal versus background. We also show that this analysis requires a single non-flagship GPU for online deployment. Furthermore, the design and adoption of inference-as-a-service tools allow rapid offline analysis using a distributed pool of GPU resources. Hence, aside from the use case of rapid online data analysis, we also establish the use of Aframe for efficient archival data analysis.
• Abstract（参考訳）: 重力波(英: Gravitational Waves、GW)は、宇宙のブラックホールや中性子星のようなコンパクトな天体の理解を深める最新の天文学の窓である。 2つの融合する中性子星からの信号は、電磁放射とニュートリノ放射の見通しをもたらすため、特に興味深い。 このようなマルチメッセンガー観測は、基礎物理学、核物質、天体物理学、重力に大きな変化をもたらす。 2017年、二元中性子星(BNS)とGW170817の融合が発見された。 しかし、LIGO-Virgo-KAGRA (LVK) GW検出器におけるBNS信号のリアルタイム検索は、最大1000のCPUコアを必要とする$\sim$ millionの参照波形と一致しなければならないため、計算上の課題となる。 我々は、ニューラルネットワークを用いてデータ内の信号の存在を学習する別のアプローチを提案する。 我々のアルゴリズムは、Aframeと呼ばれ、LVKの第4回観測飛行で展開され、複数のバイナリブラックホール(BBH)をライブで検出する人工知能(AI)による最初の検索でした。 本研究では,この手法が低質量のBNS体制にまで拡張され,より少ない計算コストと遅延コストでマッチングフィルタパイプラインに匹敵する感度を実現する最初のAI対応検索であることを示す。 長い順のBNS信号の課題はデータのヘテロダイニングによって解決され、BBHのネットワークアーキテクチャは信号と背景を区別するのに十分である。 また、この分析では、オンラインデプロイメントには単一の非フラッグシップGPUが必要であることも示しています。 さらに、推論・アズ・ア・サービスツールの設計と採用により、GPUリソースの分散プールを使用して、迅速なオフライン分析が可能になる。 したがって、高速オンラインデータ解析のユースケース以外では、効率的なアーカイブデータ解析にAframeを用いることも確立している。

関連論文リスト

• Aerial Secure Collaborative Communications under Eavesdropper Collusion in Low-altitude Economy: A Generative Swarm Intelligent Approach [84.20358039333756]
  本研究では,AAV群に分散コラボレーティブビームフォーミング(DCB)を導入し,対応する信号分布を制御して盗聴者の共謀を処理した。 両方向の秘密保持能力と最大サイドローブレベルを最小化して、未知の盗聴者からの情報漏洩を回避する。 本稿では,より少ないオーバーヘッドで問題を解決するために,新しいジェネレーティブ・スウォーム・インテリジェンス(GenSI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-02T04:02:58Z)
• A Multi-Messenger Search for Exotic Field Emission with a Global Magnetometer Network [0.11277060638173796]
  従来の天文学的な観測と組み合わせた量子センサネットワークは、マルチメーカ天文学の新たなモダリティとして現れつつある。 我々は,BSM(Before-the-Standard Model)物理の結果として,量子センサネットワークのアストロフィジカル信号に対する感度をモデル化するためのデータ駆動型アプローチを開発した。 この解析法を用いて、ブラックホール融合時に放出されるBSM場に対する精密量子センサの地上ネットワークを用いた最初の直接探索を行う。
  論文  参考訳（メタデータ） (2024-07-18T22:11:12Z)
• 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)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Physics-inspired spatiotemporal-graph AI ensemble for the detection of higher order wave mode signals of spinning binary black hole mergers [0.2999888908665658]
  準円、回転、不要な二元ブラックホールの融合を検出するための新しいAIモデルを提案する。 これらのAIモデルは、ハイブリッド拡張ニューラルネットワークを組み合わせて、重力波の短距離時間情報と長距離時間情報を正確にモデル化する。
  論文  参考訳（メタデータ） (2023-06-27T18:09:15Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• 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。