利用生成式预训练变压器进行紧凑型二进制系统波形生成
本文提出了一种适用于所有空间引力波信号的高精度GW信号检测和提取方法,使用多阶段深度神经网络可以在高斯噪声中检测到具有超过99%的准确性的合成信号。此方法在多种场景下有很强的解释性和泛化能力。
Jul, 2022
本文通过引入刻画数据中“chirp”信号特征视觉强度的新度量,以及运用变分自编码器构建分类器的方法,设计了对紧二元融合信号的分类深度学习模型,并通过引入生成对抗网络的新框架完成了对模型的增强,从而改善了模型的鲁棒性和可靠性,同时保证了模型在性能上的表现。
Jun, 2023
本研究引入了DECODE,一种以频域的序列建模为主的端到端模型,通过扩展因果卷积神经网络实现EMRI信号检测,能够高效处理一年的多通道TDI数据,并在信噪比在50到120之间的情况下,在0.01秒以内实现96.3%的真阳性率和1%的假阳性率。通过展示三个EMRI信号的可解释性和推广性,DECODE展示了未来基于空间的引力波数据分析的巨大潜力。
Aug, 2023
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
利用cDVGAN生成的合成数据可以提高波形信号搜索、机器学习数据集平衡和检测方案验证等任务的效果,其在模拟代表引力波与探测器故障的时域观测数据方面具有优于其他基准GAN模型的性能。
Jan, 2024
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
融合的双中子星 (Binary Neutron Stars,BNSs)在引力波(Gravitational Wave,GW)和电磁(Electromagnetic,EM)光谱中发射信号,在该论文中,作者开发了一种机器学习方法,能够在一秒钟内完成完整的BNS推理,无需进行任何近似计算。
Jul, 2024
本研究针对现有模型在预测旋转双黑洞合并过程中的高阶波模式的不足,提出了一种受物理启发的变压器模型。该模型在训练14,440,761个波形后,实现了极高的预测准确率,平均重叠度达到0.996,极大提升了对黑洞合并事件的理解和预测能力。
Sep, 2024
本文研究了极端质量比启发(EMRI)信号参数估计的挑战,提出了一种基于机器学习的贝叶斯后验估计新方法,采用ODE神经网络的流匹配技术。研究结果表明,该方法在计算效率上相比传统的马尔可夫链蒙特卡洛方法快几个数量级,同时保持参数估计的无偏性,对EMRI信号的波形分析具有重要潜力。
Sep, 2024