深層学習を用いた連星ブラックホール合体の高速質量パラメータ推定【JST・京大機械翻訳】

McLeod Alistair; Jacobs Daniel; Chatterjee Chayan; Wen Linqing; Panther Fiona

プレプリント

J-GLOBAL ID：202202211980992492 整理番号：22P0280286

深層学習を用いた連星ブラックホール合体の高速質量パラメータ推定【JST・京大機械翻訳】

Rapid Mass Parameter Estimation of Binary Black Hole Coalescences Using Deep Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月26日プレプリントサーバーでの情報更新日： 2022年01月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

深層学習は,重力波(GWs)で検出されたブラックホールと中性子星を含むコンパクトなオブジェクトの合体するビナリーのためのパラメータ推定の処理時間を劇的に減少させるのに使用できる。第1ステップとして,著者らは,LIGO HanfordとLingston ObservatoriesのGW歪データから,チャープ質量と検出したバイナリブラックホールシステムの質量比の事後分布を迅速に推定するために訓練された2つのニューラルネットワークモデルを提示する。これらのパラメータを用いて,成分質量を予測でき,併合器が中性子星を含む尤度の予測に意味を持つ。結果を,LIGO-Virgo Collaboration(LVC),LALInferenceにより使用される重力波のパラメータ推定の「金標準」と比較した。著者らのモデルは,モデルが訓練された1回,1桁少ない処理時間を用いて,LALInferenceと整合する事後分布を予測する。中央値予測は,LVCの第1および第2観測運転中に検出された実際のバイナリブラックホール事象で試験した場合,全ての予測パラメータに対してLALInferenceの90%信頼区間内にあった。深層学習は,実時間GW探索パイプラインに適した低待ち時間高精度パラメータ推定に対して強力な可能性を有することを論じた。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

重力理論の実験的試験及び観測

, , , ,

前のページに戻る