論文の概要: Gravitational-wave parameter estimation with machine-learning generated surrogate waveforms

• arxiv url: http://arxiv.org/abs/2608.20222v1
• Date: Thu, 20 Aug 2026 16:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.633808
• Title: Gravitational-wave parameter estimation with machine-learning generated surrogate waveforms
• Title（参考訳）: 機械学習による代理波形を用いた重力波パラメータ推定
• Abstract要約: 本研究では,4パラメータSEOBNRv4波形を生成するための2段階決定論的条件付きオートエンコーダモデルを提案する。 次に、下流パラメータ推定タスクにこれらのサロゲート波形を有効活用するための波形条件付けステップを提案する。 EOBのパラメータ推定にML波形を用いると、推定後部はある程度の系統的バイアスを持つことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The worldwide network of gravitational-wave detectors have detected more than 350 binary coalescence events till date. Future third-generation detectors, like Einstein telescope, are expected to detect orders-of-magnitude more signals from sources with more complicated characteristics, including eccentric orbits and high-mass ratio binaries. It is well-established that the computational cost of parameter estimation for signals from these kinds of sources will be extremely high. In particular, the process could be sped-up if generating theoretical waveform predictions, used for likelihood calculation becomes faster. Recently, various machine-learning techniques has been proposed to this end. In this work, we propose a two-stage deterministic conditional-autoencoder model for generating four-parameter SEOBNRv4 waveforms. The first-stage of the model generates amplitude and phase series of the waveform, while the second-stage calibrates the residual error in the predictions. Our model achieves a median mismatch of around $10^{-2}$ with the target polarization waveforms, while the calibrated amplitude/phase series achieve $10^{-6}$ level cosine distance error. We then propose a waveform conditioning step to enable use of these surrogate waveforms for downstream parameter estimation tasks. Finally, we perform extensive parameter estimation tests, with ML and EOB waveform injections and try to recover posterior estimates for the source parameters. We find that when ML waveforms are used to recover EOB target parameter estimates, the inferred posterior have some systematic bias. This inherent bias can be estimated and corrected for, and then importance reweighting of posterior samples can enable use of low-accuracy surrogate waveforms at low SNRs.
• Abstract（参考訳）: 重力波検出器の世界的なネットワークは、これまで350以上の連星の合体現象を検出してきた。 アインシュタイン望遠鏡のような将来の第3世代検出器は、偏心軌道や高質量比のバイナリなど、より複雑な特性を持つ源から、より高次の信号を検出することが期待されている。 このような音源からの信号に対するパラメータ推定の計算コストが極めて高いことは確実である。 特に、確率計算に使用される理論波形予測がより速くなると、このプロセスはスプレッドアップされる可能性がある。 近年,様々な機械学習技術が提案されている。 本研究では, 4パラメータSEOBNRv4波形を生成するための2段階決定論的条件自動符号化モデルを提案する。 モデルの第1段は波形の振幅および位相列を生成し、第2段は予測の残差を校正する。 本モデルでは, 目標偏光波形との平均誤差が約10^{-2}$であり, 校正振幅/位相系列は10^{-6}$レベルコサイン距離誤差を達成している。 次に、下流パラメータ推定タスクにこれらのサロゲート波形を有効活用するための波形条件付けステップを提案する。 最後に、MLおよびEOB波形注入による広範囲なパラメータ推定テストを行い、ソースパラメータの後方推定を復元する。 EOBのパラメータ推定にML波形を用いると、推定後部はある程度の系統的バイアスを持つことがわかった。 この固有バイアスは推定と修正が可能であり、後続サンプルの重み付けは低SNRでの低精度サロゲート波形の利用を可能にする。

関連論文リスト

• ROMNet: a hybrid reduced order modeling and machine learning approach to waveform inversion [53.79823394212125]
  波形インバージョンは、不均一で到達不能な媒体の波速を推定しようとする。 ROMNetと呼ばれる手法を導入し,数値シミュレーションで検証する。 ROMNet と直接 ROM ベースの逆変換と FWI に対する2つの代表的な深層学習手法を比較した。
  論文  参考訳（メタデータ） (2026-08-25T21:13:39Z)
• Binary Black Hole Parameter Estimation with Hybrid CNN-Transformer Neural Networks [0.27998963147546146]
  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。
  論文  参考訳（メタデータ） (2026-06-11T22:05:33Z)
• Data-Driven Forecasting of three-Component Seismograms Using Transformer Architectures [43.8784307709823]
  我々は,3成分地震波形を時間領域内で直接予測するために,変圧器を用いた自己回帰モデルであるtextscSeismoGPTを紹介した。 震源深5-100,km,震源中央距離10-90$$$,震源深3leqM_w leq7$の合成地震計を用いて評価を行った。
  論文  参考訳（メタデータ） (2026-06-01T21:38:03Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Auto-encoder model for faster generation of effective one-body gravitational waveform approximations [0.8602553195689513]
  本稿では,アライメントスピンSEOBNRv4インスピリアルリングダウン波形の生成を高速化するための条件付き変分自動エンコーダモデルを提案する。 我々のモデルは平均速度4.46msで0.1秒で100の波形を生成することができる。 これは、lalsimulationのネイティブSEOBNRv4実装よりも2～3桁高速である。
  論文  参考訳（メタデータ） (2025-11-16T15:18:37Z)
• Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization [37.35829410807451]
  本稿では,逆流マッチング最適化による高忠実かつ高効率な波形生成モデルである PeriodWave-Turbo を提案する。 さまざまな客観的メトリクスで最先端のパフォーマンスを達成するには、1,000ステップの微調整しか必要ありません。 PeriodWave のバックボーンを 29M から 70M のパラメータにスケールアップすることで、一般化を改善することで、 PeriodWave-Turbo は前例のない性能を実現している。
  論文  参考訳（メタデータ） (2024-08-15T08:34:00Z)
• Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer [9.4516663566774]
  宇宙ベースの重力波(GW)検出は、今後10年で最も期待されているGW検出プロジェクトの一つである。 深層学習法はGW波形の生成と外挿のために広く研究されていない。 我々の研究は、GW領域における大規模モデルの可能性を示し、今後の研究の新たな機会とガイダンスを開放する。
  論文  参考訳（メタデータ） (2023-10-31T04:40:20Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$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)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• Deep Residual Error and Bag-of-Tricks Learning for Gravitational Wave Surrogate Modeling [32.15071712355222]
  本稿では,13.4倍の精度で波形のミスマッチを最大化する方法を示す。 最も重要な改善は、残留エラーをモデル化する第2のネットワークの追加である。
  論文  参考訳（メタデータ） (2022-03-16T07:12:42Z)
• 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)

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。