Sep, 2024

旋转双黑洞合并的高阶波模式的人工智能预测

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 面向比例尺下引力波检测的推理优化人工智能与高性能计算

    使用人工智能模型实现了天文学中引力波检测的加速化，经过针对性的优化处理，在ThetaGPU超级计算机上实现了分布式推理，相比传统的人工智能模型提高了3倍速度，同时在处理5年数据的实验中，每个月只有平均1次错误分类，具有实际应用价值。

    Jan, 2022

  • 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

  • 重力波的hp-greedy约简基超参数优化

    通过贝叶斯优化对于引力波中降低基准、超参数优化的研究，该方法在同样准确度下具有较低的维度，达到参数估计加速的目的。

    Oct, 2023

  • 一种具有更高谐波的引力波模板库的新方法：通过降低匹配滤波成本超过一个数量级

    使用自然模式之间的联系，我们开发了一种新策略将高阶模式（HM）包含在模板库中，其中结合了后牛顿公式和机器学习工具以对齐自旋（3,3）和（4,4）波形。这种方法成本低廉，对于使用随机或几何放置技术构建的模板库是有效且普遍适用的，此外还讨论了使用机器学习算法压缩仅包含（2,2）几何放置模板库的方法。

    Oct, 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

  • 利用机器学习进行二进制中子星的实时引力波推断

    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