MMFeb, 2022

解释用于检测引力波的机器学习模型

PDF
TL;DR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。
translational researchinterpretabilitymachine learning modelsgravitational wavesadvanced ligo data
发现论文，激发创造
  • Gravity Spy: 集成先进的 LIGO 探测器表征、机器学习和公民科学

    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。

    Nov, 2016

  • 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

  • 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

  • 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

  • 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

  • 利用深度神经网络实现实时多通道天体物理学

    本文介绍了 Deep Filtering，一种新的高度可扩展的方法，用于端到端时序信号处理，并展示其在检测和参数估计引力波方面的应用，取得了比传统机器学习技术更好的性能，同时速度快得多，使得实时处理原始大数据变得更容易。

    Dec, 2016

  • 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

  • 物理启发的时空图 AI 集合体用于引力波探测

    本文介绍使用混合卷积神经网络和图神经网络方法来检测引力波的方法，并通过构建 AI 模型在多个检测器上实现了令人满意的表现。

    Jun, 2023

  • 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

  • 利用深度神经网络在引力波天文学中实现匹配滤波

    利用卷积神经网络与匹配滤波器相结合的方式，对二进制黑洞引力波信号进行高效低时延检测，模拟出了匹配滤波器的检测性能。

    Dec, 2017