Nov, 2016

Gravity Spy: 集成先进的 LIGO 探测器表征、机器学习和公民科学

PDF
TL;DR本文介绍了一种将众包与机器学习相结合的方法，通过图像分类和新类别的发现来帮助 LIGO 识别干扰信号的来源，从而提高引力波探测的效率和精度。
gravitational wavesadvanced laser interferometer gravitational-wave observatory (ligo)noisecrowdsourcingmachine learning
发现论文，激发创造
  • 利用深度迁移学习对 LIGO 中的故障进行分类和聚类

    本文介绍了将深度学习与迁移学习结合应用于 LIGO 探测器数据中震荡信号辨识的方法，证明了将预训练模型用于谱图分类能够在小型数据集上显著减少训练时间，并且取得了 98.8% 以上的准确度，是一种能够自动识别和移除新型震荡信号和异常数据的创新能力。

    Nov, 2017

  • 深度迁移学习：一个新的高级 LIGO 深度学习故障分类方法

    该研究应用了深度迁移学习技术，利用卷积神经网络根据光谱图像准确地分类毛刺现象，对于长时间运作的先进激光干涉重力波探测器，此方法提供了一种动态分类毛刺现象的新框架。

    Jun, 2017

  • 解释用于检测引力波的机器学习模型

    通过引入解释性机器学习技术，研究黑洞合并事件的监测与探测，使用先进 LIGO 数据对机器学习模型进行可视化分析，从而研究其局部和全局特征并发现分支结构对噪音特性的影响。该研究为解释性机器学习模型的设计提供了新思路。

    Feb, 2022

  • 基于深度学习的实时引力波检测和参数估计：以先进 LIGO 数据为例

    利用卷积神经网络的深度学习技术，实现了对引力波信号的快速检测和特征提取，并在真实数据的基础上证明了机器学习可以检测和估计 LIGO 探测到的真实事件的真实参数，实现了对引力波和其多信使计数器的同时检测。

    Nov, 2017

  • LIGO 时间序列中检测引力波失效的高效机器学习集成方法

    本文提出了两种新的机器学习和深度学习集成方法（即 ShallowWaves 和 DeepWaves 集成），用于检测引力波观测所得数据集中的不同类型的噪声和模式。我们的研究还探讨了多类别分类的各种机器学习和深度学习技术，并提供了一个综合基准，重点关注三个常用性能指标（准确率、精确率和召回率）方面的最佳结果。我们在由先进激光干涉型引力波观测台（LIGO）收集的现实世界数据的标注时间序列数据集上训练和测试我们的模型。我们以经验为基础证明了提出的 DeepWaves 集成的最佳整体准确性，并紧随其后的是 ShallowWaves 集成。

    Nov, 2023

  • GW150914：首次探索时代的先进 LIGO 探测器

    LIGO 天文台通过两个先进探测器的升级，观测到了两个黑洞的并合事件，这标志着引力波天文学的新时代，文章介绍了探测器的主要特点和未来的提升计划。

    Feb, 2016

  • 深度多视图模型用于故障分类

    本文主要介绍了一种新的基于卷积神经网络的多视角分类方法，用于区分来自 Advanced Laser Interferometer Gravitational-wave Observatory 的引力波数据中的异常噪音（glitches）并进一步理解其特性和来源，并进行有效的剔除。通过实验验证，该模型相比于传统的单视角算法能够提高分类的准确性。

    Apr, 2017

  • LIGO 数据实时引力波探测与参数估计的深度学习

    该论文介绍了一种名为 Deep Filtering 的新方法，使用深度卷积神经网络可以在实时监测中检测和表征引力波信号，这是一种比传统的 Matched Filtering 方法更为高效的方法，通过对 LIGO 数据的实时处理，可以实现对弱时间序列信号的检测，并且可以探测新型引力波源。

    Nov, 2017

  • 用于实际 LIGO 数据的卷积神经网络信号检测

    近期，机器学习算法用于解决重力波探测器数据中的信号搜索问题，本研究描述了 TPI FSU Jena 团队的参赛作品及其改进版，并将算法应用于真实的 O3b 数据以检测 GWTC-3 目录中的相关事件。

    Feb, 2024

  • 先进引力波探测器中的噪声瞬变分类方法

    利用机器学习和主成分分析的自动噪声分类算法可有效提高先进引力波探测器的灵敏度。

    May, 2015