用于引力波替代建模的残差深度学习与技巧包
天体物理仪器与方法
2023-08-24 v2 高能天体物理现象
机器学习
广义相对论与量子宇宙学
摘要
深度学习方法已被用于引力波天文学中，以加速构建自旋对齐黑洞双星旋进的替代波形等应用。我们面临对人工神经网络残差误差建模的挑战，该网络对替代波形展开的系数（尤其是波形相位系数）建模，我们证明该误差具有足够结构可被第二个网络学习。加入第二个网络后，我们能将验证集中波形的最大失配降低13.4倍。我们还探索了其他若干提升替代模型精度的思路，例如利用波形间相似性、扩增训练集、剖分输入空间、对每个输出系数使用专用网络以及输出扩增。在若干情况下可观察到微小改进，但最显著的提升仍来自增加建模残差误差的第二个网络。由于更一般的替代波形模型（例如包含偏心率时）的残差误差也可能具有特定结构，可预期我们的方法适用于那些精度提升能带来计算时间显著收益的情形。
引用
@article{arxiv.2203.08434,
title = {Deep Residual Error and Bag-of-Tricks Learning for Gravitational Wave Surrogate Modeling},
author = {Styliani-Christina Fragkouli and Paraskevi Nousi and Nikolaos Passalis and Panagiotis Iosif and Nikolaos Stergioulas and Anastasios Tefas},
journal= {arXiv preprint arXiv:2203.08434},
year = {2023}
}