用于引力波替代建模的自编码器驱动螺旋表示学习
机器学习
2024-07-09 v1 高能天体物理现象
广义相对论与量子宇宙学
摘要
近年来，人工神经网络在引力波天文学领域势头渐起，例如用于双黑洞旋进与并合中计算昂贵的波形模型的替代建模。替代建模可快速且准确地逼近引力波，而神经网络已被用于替代模型系数在训练样本之外任意波形上的最终插值步骤。我们利用自编码器探究经验插值系数中是否存在底层结构。我们证明，当系数空间被压缩至仅两维时，会出现一种螺旋结构，其中螺旋角度与质量比呈线性关系。基于该发现，我们设计了一个具有可学习参数的螺旋模块，用作神经网络的第一层，该网络学习将输入空间映射到系数。该螺旋模块在多种神经网络架构上进行了评估，并始终比基线模型取得更好的速度-精度权衡。我们开展了详尽的实验研究，最终得到一个替代模型，该模型在桌面 GPU 上单次前向传播可在 1 毫秒内评估数百万个输入参数，同时所生成波形与真实波形之间的失配优于所比较的基线方法。我们预期在自旋黑洞双星的情况下也存在类似的底层结构与相应的计算增益。
引用
@article{arxiv.2107.04312,
title = {Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling},
author = {Paraskevi Nousi and Styliani-Christina Fragkouli and Nikolaos Passalis and Panagiotis Iosif and Theocharis Apostolatos and George Pappas and Nikolaos Stergioulas and Anastasios Tefas},
journal= {arXiv preprint arXiv:2107.04312},
year = {2024}
}