由人工神经网络驱动引力波替代模型：用于波形生成的ANN-Sur
广义相对论与量子宇宙学
2021-03-17 v2
摘要
推断黑洞与中子星的性质是引力波（GW）天文学的关键科学目标。为从GW观测中提取尽可能多的信息，我们必须开发降低贝叶斯推断成本的方法。在本文中，我们利用人工神经网络（ANNs）与图形处理单元（GPUs）的并行能力改进替代建模方法，该方法可生成现有模型的加速版本。作为我们方法ANN-Sur的首个应用，我们构建了自旋对齐双黑洞（BBH）波形模型SEOBNRv4的时域替代模型。我们实现了的中值失配以及不差于的失配。对于从12 Hz起、总质量为的典型BBH波形，原始SEOBNRv4模型耗时1812 ms。现有的专用代码优化（SEOBNRv4opt）将其降至91.6 ms，而基于插值的频域替代模型SEOBNRv4ROM可在6.9 ms内生成该波形。我们的ANN-Sur模型在CPU上运行需2.7 ms，在GPU上仅需0.4 ms。ANN-Sur还可同时生成大批波形。我们发现多达个波形的批次可在GPU上仅用163 ms完成评估，对应每个波形0.016 ms。该方法是利用GPU并行能力大幅提升贝叶斯参数估计计算效率的一种有前景的途径。
引用
@article{arxiv.2008.12932,
title = {Gravitational-wave surrogate models powered by artificial neural networks: The ANN-Sur for waveform generation},
author = {Sebastian Khan and Rhys Green},
journal= {arXiv preprint arXiv:2008.12932},
year = {2021}
}