論文の概要: Parameter Estimation of Ringdown Quasinormal Modes with Autoencoder
- arxiv url: http://arxiv.org/abs/2609.14277v1
- Date: Sun, 13 Sep 2026 04:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.779302
- Title: Parameter Estimation of Ringdown Quasinormal Modes with Autoencoder
- Title（参考訳）: オートエンコーダを用いたリングダウン準正規モードのパラメータ推定
- Abstract要約: 二元ブラックホール融合によるリングダウン重力波は準正規モード(QNM)の重ね合わせとしてモデル化できる
複数のQNMコンポーネントの信頼性の高い抽出は、モード重複とノイズのため困難である。
我々は,多成分QNM解析のためのオートエンコーダベースのフレームワークを開発し,各モードの物理パラメータを表現するために潜在空間を訓練する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ringdown gravitational waves from binary black hole mergers can be modeled as superpositions of quasinormal modes (QNMs), whose frequencies and excitation factors encode properties of the remnant Kerr black hole. Reliable extraction of multiple QNM components is challenging because of mode overlap and noise. We develop an autoencoder-based framework for multi-component QNM analysis, in which the latent space is trained to represent the physical parameters of individual modes, enabling waveform denoising and parameter estimation within a common framework. Using controlled model waveforms constructed as finite sums of Kerr QNMs with recently established high-precision frequencies and excitation factors, including their nontrivial spin dependence near resonant excitation, we assess the method across partitioned spin intervals. The model achieves good in-domain waveform reconstruction and parameter recovery for the two longest-lived components of eight-component input waveforms, while its performance degrades when the validation spins lie far outside the training range. In a selected spin interval, the framework also recovers the 32 parameters of an eight-component waveform with good overall agreement. These results demonstrate the feasibility of physics-informed autoencoder-based inference for a prescribed multi-component ringdown waveform family and motivate further tests with progressively more realistic signals.
- Abstract（参考訳）: 二元ブラックホールの融合によるリングダウン重力波は準正規モード (QNMs) の重畳としてモデル化され、その周波数および励起因子は残留するカーブラックホールの性質をコードする。
複数のQNMコンポーネントの信頼性の高い抽出は、モード重複とノイズのため困難である。
我々は,多成分QNM解析のためのオートエンコーダベースのフレームワークを開発し,各モードの物理パラメータを表現するために潜在空間を訓練し,共通のフレームワーク内で波形のデノゲーションとパラメータ推定を可能にする。
近年確立された高精度周波数と励起係数を持つカーQNMの有限和として構成された制御モデル波形を用いて、共振励起近傍の非自明なスピン依存性を含む励振係数を評価した。
このモデルは、8成分入力波形の2つの長寿命成分に対して優れたドメイン内波形再構成とパラメータ回復を実現し、検証スピンがトレーニング範囲のはるかに外にある場合、その性能は低下する。
選択したスピンインターバルでは、8成分波形の32パラメータを全体の整合性良く復元する。
これらの結果は、所定の多成分リングダウン波形群に対する物理インフォームドオートエンコーダに基づく推論の実現可能性を示し、より現実的な信号によるさらなるテストの動機付けを図った。
関連論文リスト
- Learning Metamaterial Eigenmodes with Wavelet-Encoded Fourier Neural Operators [57.64362886310329]
ニューラル演算子に基づく機械学習サロゲートは,弾性波動方程式の複数の固有モードを学習し,予測できることを示す。
メタマテリアル設計では、サロゲートは設計サイクルのシミュレーション段階を、コンシューマグレードのCPU上の有限要素解析と比較して3桁の速度で加速する。
これらの結果は、スペクトルニューラル演算子に基づく他のマルチモードPDEソルバの入力エンコーディングを設計するための幅広い意味を持つ。
論文 参考訳（メタデータ） (2026-09-08T01:21:46Z) - Transformers with Physics-Informed Encodings and Simulation-Based Inference for Robust Detection of Eccentric Binary Black Holes in Pulsar Timing Array Data [4.305160643026584]
偏心二元ブラックホールの効率的な推定のための物理インフォームド位置符号化フレームワークを用いた変圧器を提案する。
提案手法は, 構造的位置エンコーディングによる解析的GW位相の進化を直接モデルに組み込む。
信号と雑音の比の幅にわたって、提案手法は物理に依存しないベースラインと比較して精度の向上、後方のシャープ化、推論の高速化を実現している。
論文 参考訳（メタデータ） (2026-07-04T14:59:03Z) - Parameter-efficient Dual-encoder Architecture with Differentiable Choquet Integral Fusion for Underwater Acoustic Classification [43.92337343771302]
本稿では、音響波形とスペクトログラムを同時に処理するデュアルエンコーダニューラルアーキテクチャを提案する。
潜在的な非対称なチャネル歪みによって最小に劣化した表現に動的に注意を移すことにより、提案したゲーティング機構は水中環境の非定常的課題を緩和する。
論文 参考訳（メタデータ） (2026-06-01T14:49:38Z) - Deciphering Neural Reparameterized Full-Waveform Inversion with Neural Sensitivity Kernel and Wave Tangent Kernel [67.14508461124932]
フルウェーブフォーム・インバージョン(FWI)は、限られた境界測定から波動方程式の未知のパラメータを推定する。
ニューラルリパラメータ化FWI(NeurFWI)の最近の進歩は、ニューラルネットワークを用いたパラメータを表現することによって、高品質な初期モデルとウェーブフィールドデータへの依存を減らすことができることを示している。
本研究では,ニューラル・センシティブ・カーネル (NSK) とウェーブ・タンジェント・カーネル (WTK) を構築し,それらの収束挙動をモデル領域とデータ領域の両方から解析する。
論文 参考訳（メタデータ） (2026-05-14T04:49:23Z) - Neuromorphic Computing Based on Parametrically-Driven Oscillators and Frequency Combs [0.0]
2:1パラメトリック共鳴を示す2モードシステムについて検討し,その動作を貯水池コンピュータとして示す。
パラメトリック共振系において最適計算性能が得られた。
また、入力変調、周波数整合条件からのデチューニング、減衰率、入力データレートが、アクセス可能な動的レジームを体系的に制御することを示した。
論文 参考訳（メタデータ） (2026-04-23T16:57:58Z) - Fidelity-informed neural pulse compilation of a continuous family of quantum gates with uncertainty-margin analysis [0.0]
我々は,3量子状態核磁気共鳴(NMR)プロセッサ上で,単一量子ゲート群に対するニューラルパルスコンパイルフレームワークを開発した。
対象のユニタリを校正基底ゲート列に分解する代わりに、SU(2)演算において任意のUの軸角パラメータから直接写像を学習する。
一つのモデルが連続的なゲートパラメータにわたって一般化されることを数値的に示し、ベンチトップ3量子NMRデバイス上での代表パルスを実験的に検証する。
論文 参考訳（メタデータ） (2026-04-13T11:17:18Z) - Data-driven synthesis of high-fidelity triaxial magnetic waveforms for quantum control [0.0]
本稿では,直流から数kHzまでの任意の3軸磁気波形を生成するシステムを提案する。
本研究は、波形の忠実度と過渡的な性能を示す実験結果により検証された。
論文 参考訳（メタデータ） (2026-03-25T08:00:46Z) - Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。
FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。
連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文 参考訳（メタデータ） (2026-03-23T03:22:33Z) - 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) - On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。
我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
論文 参考訳（メタデータ） (2026-02-18T20:25:13Z) - 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) - 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)
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。