論文の概要: $Φ$asmaNet: A Staged Spectral Token-Refinement Architecture for Fast Gravitational-Wave Signal-to-Noise Ratio Prediction
- arxiv url: http://arxiv.org/abs/2611.05309v1
- Date: Tue, 03 Nov 2026 18:19:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:00:00.141933
- Title: $Φ$asmaNet: A Staged Spectral Token-Refinement Architecture for Fast Gravitational-Wave Signal-to-Noise Ratio Prediction
- Title（参考訳）: $$asmaNet: 高速重力波信号-雑音比予測のための段階スペクトルトケン補正アーキテクチャ
- Abstract要約: 重力波集団研究における選択効果の定量化には、何百万もの高価な信号対雑音比計算が必要である。
構造化表回帰のためのコンパクトなニューラルアーキテクチャである$asmaNetを提示する。
公開データセットの結果は、重力波アプリケーションを超えた競争力を示している。
- 参考スコア（独自算出の注目度）: 9.798739154647436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantifying selection effects in gravitational-wave population studies requires millions of costly signal-to-noise ratio (SNR) calculations. We present $Φ$asmaNet, a compact neural architecture for structured tabular regression, with staged spectral refinement as an explicit architectural prior. Learned input tokens are refined through ordered attention-based $Φ$-Stages, each augmented by a $Φ$-Refractor subspace-mixing module, then revisited through gated top-down $Φ$-Feedback. Applied to the 11-dimensional parameters of precessing, higher-mode binary black hole signals (IMRPhenomXPHM), it predicts phase-averaged optimal SNR for a single detector at fixed Advanced LIGO design sensitivity. With approximately 732k parameters, it outperforms MLP, 1D-ResNet and Transformer-encoder baselines under matched training across $10^5$--$10^6$ samples. At $10^6$ samples, it achieves $100-\mathrm{MAPE}=98.73\%$ on the held-out test set, $99.29\%$ after rank-preserving monotonic (PCHIP) calibration, and $99.39\%$ ($R^2=0.9998$) in the detection-relevant regime $ρ>8$, with stable accuracy across independent dataset realizations. On a single GPU, it sustains approximately $1.2\times10^5$ SNR evaluations per second and processes a $10^6$-injection catalogue end-to-end in approximately 8.3 s, about two orders of magnitude faster than conventional waveform-and-inner-product calculations on a 16-core CPU. Exact distance rescaling through $ρ\propto1/d_L$ supports repeated catalogue-wide detectability evaluations. The fully documented pipeline is intended as a reproducible benchmark, while results on public tabular datasets indicate competitiveness beyond gravitational-wave applications. Although demonstrated for a fixed single-detector configuration, the construction supports extensions to detector networks and epoch-specific sensitivities. (Abridged)
- Abstract（参考訳）: 重力波集団研究における選択効果の定量化には、数百万の費用対雑音比(SNR)計算が必要である。
我々は、構造化された表層回帰のためのコンパクトなニューラルアーキテクチャである$$$asmaNetを提示する。
学習された入力トークンは、順序付きアテンションベースの$ $-Stagesを通じて洗練され、それぞれ$$$-Refractorサブスペース-mixingモジュールで強化され、ゲート付きトップダウン$ $-Feedbackによって再更新される。
高モード二元ブラックホール信号(IMRPhenomXPHM)の11次元パラメータに適用すると、固定された高度なLIGO設計感度の単一検出器に対する位相平均SNRを予測できる。
約732kのパラメータで、MLP、1D-ResNet、Transformer-encoderのベースラインを10^5$--$10^6$のトレーニングで上回る。
10^6$のサンプルでは、ホールトアウトテストセットで100-\mathrm{MAPE}=98.73\%$、ランク保存モノトニック(PCHIP)キャリブレーション後の99.29\%$、検出関連システムで99.39\%$$$(R^2=0.9998$)を達成し、独立データセット実現における安定した精度を実現している。
1つのGPUでは、1秒あたり1.2\times10^5$ SNR評価を保ち、約8.3秒で10^6$のインジェクションカタログを処理する。
$ρ\propto1/d_L$ による厳密な距離再スケーリングは、反復的なカタログワイド検出性評価をサポートする。
完全なドキュメント化されたパイプラインは再現可能なベンチマークとして意図されている。
固定された単一検出器の構成を示すが、この構造は検出器ネットワークの拡張とエポック固有の感度をサポートする。
(橋渡し)
関連論文リスト
- SQUARE: Structured Quantum Representation Adapters as Compact Quadratic Feature Maps for Frozen Language Models [50.300302932452006]
凍結言語モデル(LM)は、下流の再ランク付け、スコアリング、嗜好モデリングのための固定された特徴抽出器として、ますます使われている。
本稿では、ボトルネックベクトルを振幅符号化し、パラメータ化量子回路を適用し、その結果の状態を測定する構造量子表現アダプタを提案する。
各基底確率関数は、ちょうどボトルネック座標における正規化された二次形式であり、追加のPauli$Z$読み出しはそれらの確率の線形結合であることを示す。
論文 参考訳（メタデータ） (2026-09-29T09:38:29Z) - Scalable Minimum-Volume Simplex Estimation with Non-asymptotic Analysis [3.008906408145323]
既存の推定器は、サンプルごとの立方体処理か、または$O(NK)$ストレージを必要とする。
DeepMVSAは神経暗黙の形で最小限の原理を再表現する。
最大$N=108$の合成観測実験は、予測された精度とスケーリングと一致している。
論文 参考訳（メタデータ） (2026-09-22T02:13:14Z) - Multi-Variable Stellar Parameter Estimation Using Residual Multitask Neural Networks [0.0]
Sloan Digital Sky Survey Data Release 12 spectra から恒星パラメータを推定するためのエンドツーエンドパイプラインを提案する。
提案モデルでは,より深いニューラルネットワークベースラインよりもはるかに少ない複雑性で競合性能を実現する。
論文 参考訳（メタデータ） (2026-06-11T19:48:25Z) - Efficient Mean Curvature Computation on High-Dimensional Data Manifolds [52.452902154360565]
高次元データセットの各点における局所的な平均曲率の推定は、機械学習アルゴリズムの重要な要素である。
本稿では,このコストを桁違いに削減する2つの補完的貢献を紹介する。
実世界のデータセットの実験では、オリジナルの実装と比較して50倍から300倍のスピードアップが確認されている。
論文 参考訳（メタデータ） (2026-06-04T16:04:31Z) - Spectral Edge Dynamics of Training Trajectories: Signal--Noise Geometry Across Scales [0.0]
コンヒーレントな方向のみにおいてトランスフォーマー訓練軌道が発展することを示す。
共同作業では、同じスペクトル幾何学がグラッキングの早期警戒信号を提供する。
論文 参考訳（メタデータ） (2026-03-14T04:46:05Z) - $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
$textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。
我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
論文 参考訳（メタデータ） (2025-06-15T05:50:05Z) - Sharper Guarantees for Learning Neural Network Classifiers with Gradient Methods [43.32546195968771]
本研究では,スムーズなアクティベーションを有するニューラルネットワークに対する勾配法におけるデータ依存収束と一般化挙動について検討する。
我々の結果は、よく確立されたRadecher複雑性に基づく境界の欠点を改善した。
XOR分布の分類において、NTK体制の結果に対して大きなステップサイズが大幅に改善されることが示されている。
論文 参考訳（メタデータ） (2024-10-13T21:49:29Z) - Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。
我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
論文 参考訳（メタデータ） (2022-03-18T18:50:52Z) - Training Strategies for Deep Learning Gravitational-Wave Searches [43.55994393060723]
我々は、非スピン性二元ブラックホールからの信号に分析を限定する。
トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。
深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
論文 参考訳（メタデータ） (2021-06-07T16:04:29Z)
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。