Jul, 2023

NeoSySPArtaN: 从偏心的二进制黑洞合并中使用数值相对论预测更高阶多极波形的神经符号自旋预测架构

PDF
TL;DR通过神经符号架构，准确预测黑洞和中子星合并的自旋大小，从而理解引力波信号发射过程中的天体物理过程。
spin magnitudesneuro-symbolic architectureblack holeneutron star mergersgravitational wave signals
发现论文，激发创造
  • 使用 Spectral Einstein Code 模拟双中子星的螺旋合并

    本文使用 SpEC 进行中子星 - 中子星 (NSNS) 系统的 inspiral、合并和后合并演化的研究，着重讨论了 SpEC 模拟 NSNS 合并的改进和波形对比验证，并表明这些长波形为进一步改进重力波数据分析半解析模型提供了必要的支持。

    Apr, 2016

  • 具通用质量比和自旋的黑洞二元系统有效单体模型

    本研究针对黑洞二元系统发射的引力波，在黑洞自旋沿轨道角动量极值的方向对 LIGO 和 Virgo 探测器信噪比最高时，扩展了有效单体缠绕波形以涵盖通用质量比和自旋，将其与 SXS 协作组生成的 38 个数值相对论单向波形的校准。当二元系统的总质量在 20 至 200Msun 之间时，使用先进的 LIGO 设计噪声光谱密度，最大化初始相位和时间的重叠率高达 99％，说明模型对事件率的影响可以忽略不计。此外，研究还发现在不需要进一步校准的情况下，旋转效应有效单体峰值波形与两个强烈进动数值相对论波形的重叠率高达 97％。

    Nov, 2013

  • 先进探测器引领引力波天文学时代的带自旋、非进动双黑洞改进有效单体模型

    本文通过将 141 个数值相对论波形校准到一组旋转、非进动黑洞二进制状态中来提高 Effective-One-Body (EOB) 波形的准确性，使用 Markov-chain Monte Carlo 算法对内聚 - 冲入阶段进行了有效探索，在任意质量比和自旋的外推后，EOBNR 波形的忠诚度在设计 Advanced-LIGO 灵敏度下高达 99％以上，包括 16 个用于验证的附加波形。

    Nov, 2016

  • 深度解释性：旋转几何神经元元结构

    多模态人工智能中，通过神经科学和量子计算的相互作用，开发出解释性和透明性的早期融合大规模、异质、图结构化数据的自旋几何元元架构，利用最多 16 个量子比特的独特 Clifford-Lipschitz 运算对自组织大脑中的相互行为状态的相对论量子神经编码进行高效编码。通过对反模式和同层内部连接的侧抑制性神经元体系结构进行训练和设计，可以融合多达 16 个稳定的、互连的（反）模式并显式识别底层多维模式。在真实世界的场景下，期望通过对多模态大数据的应用来获得全面的洞察。

    Sep, 2023

  • 数值波形的精度和准确性：波形提取方法的影响

    通过 95 个非进动黑洞（BBHs）的数值相对论模拟，我们发现在低初始轨道离心率（e <10^{-4}）下，旋转幅值达到 0.9 的 BBHs 以及 1 至 3 的质量比的模拟覆盖了平均 24 个融合轨道，包括合并和放射环，其中一部分模拟将非自旋 BBHs 的覆盖范围扩展到了质量比 q = 10。通过两种独立技术计算在无穷远处的引力波形，我们发现数值截断误差、由于引力波提取而导致的误差以及由于数值波形的有限长度而引起的误差大小相似。由于引力波提取误差约为噪声加权不匹配度的 3×10^{-4}，故引力波提取误差稍稍占优。这组波形将用于验证和改进用于引力波科学的一致自旋波形模型。

    Dec, 2015

  • 检测和表征离心双黑洞合并的偏心、非旋转、融合高斯过程近似

    使用特定模型 ENIGMA 模拟黑洞的演化，经过验证，ENIGMA 可以模拟旋转非常准确的复杂中等偏心度的情况。探讨了在中等偏心度情况下物理模型的适用性以及在椭圆形情况下波形多极的重要性。

    Nov, 2017

  • 利用隐式神经表示捕获动态相关性

    本文介绍了基于人工智能的框架和神经网络相结合的研究，通过在实验数据上回收未知参数，自动检测和完善多维散射数据中的先进有序量子体系的模型。

    Apr, 2023

  • 可控神经符号回归

    本篇论文提出一种名为 NSRwH 的神经符号回归方法，能够结合用户给定的领域知识，实现精确预测表达式的结构，并在实验中表现出良好的准确性。

    Apr, 2023

  • 用于紧凑双星并合引力波的快速并行参数估计新方案

    本文提出一种并行化体系结构，使用引力波数据和波形模型估计紧凑二进制合并参数，通过球形谐波模式分解来将波形表达为取决于固有参数的模的总和，并通过固定固有参数的模来预先筛选数据，并使用 Monte Carlo 积分策略整合所有外在参数，从而高效评估通用源位置和方向的可能性，独立于波形长度或产生时间。

    Feb, 2015

  • 用于准圆形，旋转，非进动双黑洞合并的高阶引力波模态信号检测的 AI 集成

    我们介绍了同时处理来自 LIGO 探测器和 Virgo 探测器数据的时空图模型。我们使用 240 万个描述准圆形、旋转、无进动的二进制黑洞合并物的 IMRPhenomXPHM 波形进行了这些 AI 分类器的训练，并在联合体中使用了 3 个 AI 分类器和 2 个预测器来处理了一个为期一年的测试集。这些研究表明，我们的 AI 联合体提供了最先进的信号检测准确性，并报告每年搜索数据的 2 个错误分类。这是第一个用于搜索和发现高阶引力波模式信号的 AI 联合体。

    Sep, 2023