已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Deep residual networks for gravitational wave detection

引力波 利戈 计算机科学 旋转 参数空间 算法 残余物 二进制数 人工智能 灵敏度(控制系统) 规范化(社会学) 物理 机器学习 天体物理学 数学 电子工程 统计 算术 社会学 人类学 工程类 凝聚态物理
作者
Paraskevi Nousi,Alexandra E. Koloniari,Nikolaos Passalis,Panagiotis Iosif,Nikolaos Stergioulas,Anastasios Tefas
出处
期刊:Physical review [American Physical Society]
卷期号:108 (2) 被引量:2
标识
DOI:10.1103/physrevd.108.024022
摘要

Traditionally, gravitational waves are detected with techniques such as matched filtering or unmodeled searches based on wavelets. However, in the case of generic black hole binaries with nonaligned spins, if one wants to explore the whole parameter space, matched filtering can become impractical, which sets severe restrictions on the sensitivity and computational efficiency of gravitational-wave searches. Here, we use a novel combination of machine-learning algorithms and arrive at sensitive distances that surpass traditional techniques in a specific setting. Moreover, the computational cost is only a small fraction of the computational cost of matched filtering. The main ingredients are a 54-layer deep residual network (ResNet), a deep adaptive input normalization (DAIN), a dynamic dataset augmentation, and curriculum learning, based on an empirical relation for the signal-to-noise ratio. We compare the algorithm's sensitivity with two traditional algorithms on a dataset consisting of a large number of injected waveforms of nonaligned binary black hole mergers in real LIGO O3a noise samples. Our machine-learning algorithm can be used in upcoming rapid online searches of gravitational-wave events in a sizeable portion of the astrophysically interesting parameter space. We make our code, AResGW, and detailed results publicly available at https://github.com/vivinousi/gw-detection-deep-learning.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
呆呆完成签到 ,获得积分10
5秒前
HuLL完成签到 ,获得积分10
6秒前
在水一方应助科研通管家采纳,获得10
8秒前
8秒前
Pauline完成签到 ,获得积分10
9秒前
wch666发布了新的文献求助10
21秒前
22秒前
Lion完成签到,获得积分10
24秒前
星辰大海应助科研达人采纳,获得10
24秒前
冰糖葫芦娃完成签到,获得积分10
26秒前
momo应助Lion采纳,获得10
28秒前
28秒前
29秒前
干净涵梅完成签到,获得积分10
33秒前
Calyn完成签到 ,获得积分0
39秒前
高兴的忆曼完成签到,获得积分10
43秒前
淡淡的向雁完成签到,获得积分10
46秒前
58秒前
xiaolang2004完成签到,获得积分10
59秒前
胡萝卜完成签到,获得积分10
1分钟前
专一的咖啡完成签到,获得积分10
1分钟前
Akim应助hume采纳,获得10
1分钟前
yuan完成签到 ,获得积分10
1分钟前
akakns完成签到 ,获得积分10
1分钟前
罐罐完成签到,获得积分10
1分钟前
六六完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
直觉应助科研达人采纳,获得10
1分钟前
Cain完成签到,获得积分10
1分钟前
叮当拉卡给叮当拉卡的求助进行了留言
1分钟前
和谐的冬莲完成签到 ,获得积分10
1分钟前
Li发布了新的文献求助10
1分钟前
水若琳发布了新的文献求助10
1分钟前
隐形曼青应助背后的鞋垫采纳,获得10
1分钟前
lab完成签到 ,获得积分0
1分钟前
wch666完成签到,获得积分10
1分钟前
GingerF完成签到,获得积分0
2分钟前
NZC完成签到,获得积分10
2分钟前
luroa完成签到 ,获得积分10
2分钟前
高分求助中
The Mother of All Tableaux: Order, Equivalence, and Geometry in the Large-scale Structure of Optimality Theory 3000
A new approach to the extrapolation of accelerated life test data 1000
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
Indomethacinのヒトにおける経皮吸収 400
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
基于可调谐半导体激光吸收光谱技术泄漏气体检测系统的研究 350
Robot-supported joining of reinforcement textiles with one-sided sewing heads 320
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3990008
求助须知:如何正确求助?哪些是违规求助? 3532034
关于积分的说明 11256121
捐赠科研通 3270913
什么是DOI,文献DOI怎么找? 1805105
邀请新用户注册赠送积分活动 882270
科研通“疑难数据库(出版商)”最低求助积分说明 809216