이 논문은 LIGO 감지기에서 비천물 전기 흐름 변동의 원점을 찾는 데 사용할 수 있는 두 가지 머신러닝 방법을 제시합니다.
이러한 방법은 실제 인터페어믈리티 데이터에서 노이즈 변동의 원점을 식별할 수 있습니다, 이를 통해 천물 흐름 검색에서 장비와 환경적 거짓 알람 률을 줄일 수 있습니다.
이러한 기술은 메커니컬 결합으로 발생한 원점이 불명확한 모든 감지기에 적용할 수 있습니다.
Technical Terms:
* Advanced LIGO (고급 LIGO): 고급 Laser Interferometer Gravitational-wave Observatory(LIGO)는 천물 흐름을 감지하기 위해 개발된 최신 인프라스트럭처입니다.
* Machine learning (머신러닝): 데이터를 학습하고 예측할 수 있는 자동화된 통계적 및 컴퓨팅 기법입니다.
* Genetic programming (유전 프로그래밍): 유전 알고리즘을 사용하여 새로운 프로그램을 생성하는 프로그래밍 방식입니다.
Related Papers or Resources:
* [1] Title: “LIGO Scientific Collaboration and Virgo: GW150914 – A Binary Black Hole of Likely Comparable Mass Observed with Advanced LIGO” (URL)
* [2] Title: “GW170817: A Gravitational-Wave Signal Associated with the Binary Neutron Star Merger LVC170817A” (URL)
* [3] Title: “Observation of Gravitational Waves from a Binary Black Hole Merger” (URL)
머신러닝
DLScanner
이 논문은 깊이 학습을 사용한 스캔러 패키지인 DLScanner을 소개합니다.
제안된 패키지는 이전에 발표된 DL 기반 방법의 두 가지 중요한 문제를 해결하려고 합니다: 고차원 스캔에서 느린 수렴과 랜덤 포인트를 대상 공간으로 매핑할 때 DL 네트워크의 한정된 일반화.
첫 번째 문제를 해결하기 위해 유사성 학습 네트워크가 사용되며, 대상 공간에서 인-대상 포인트가 함께 그룹핑되고 반대로 외-대상 포인트는 효과적으로 멀리 떨어지도록 매핑된 표현 공간에 사용된다.
두 번째 문제는 VEGAS 매핑을 사용하여 동적 샘플링 전략을 통해 해결됩니다.
DL 네트워크에 새로운 포인트를 추천하고 더 많은 포인트가 수집될 때 매핑을 개선하기 위해 어댑티브하게 제안됩니다.
Technical Terms Explanation:
* VEGAS (Korean): 확률 분포를 추정하고 최적화 문제를 해결하는 데 사용되는 스캔 기법입니다.
Related Papers or Resources:
* [1] Title: Paper/Author, URL
* [2] Title: Paper/Author, URL