Jul, 2024

利用机器学习进行二进制中子星的实时引力波推断

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 面向引力波数据中紧凑二进制合并的稳健可靠深度学习方法

    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

  • 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

  • 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

    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。

    Jul, 2023

  • 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

  • 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

    提出了一种可解释的预训练大型模型CBS-GPT，用于解决空间引力波波形预测中的数据处理困难，为未来的任务如填补空缺、引力波信号检测和信号噪声降低等开辟了新的机会。

    Oct, 2023

  • 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