旋转双黑洞合并的高阶波模式的人工智能预测
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
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
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
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
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
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
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
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