ترجمه فارسی مقاله درون‌یابی نسبت سیگنال به نویز شتاب‌یافته در سراسر منیفولد سیگنال موج گرانشی با استفاده از شبکه‌های عصبی مصنوعی

چکیده

Matched-filter based gravitational-wave search pipelines identify candidate events within seconds of their arrival on Earth, offering a chance to guide electromagnetic follow-up and observe multi-messenger events. Understanding the detectors’ response to an astrophysical signal across the searched signal manifold is paramount to inferring the parameters of the progenitor and deciding which candidates warrant telescope time. In this paper, we use artificial neural networks to accelerate and signal-to-noise ratio (SNR) computation for sufficiently local patches of the signal manifold. Our machine-learning based model generates a single waveform (or equivalently, computes a single SNR timeseries) in 6 milliseconds on a CPU and 0.4 milliseconds on a GPU. When we use the GPU to generate batches of waveforms simultaneously, we find that we can produce $10^4$ waveforms in $lesssim 1$ ms on a GPU. This is achieved while remaining faithful, on average, to 1 part in $10^4$ (1 part in $10^5$) for binary black hole (binary neutron star) waveforms. The model we present is designed to directly utilize intermediate detection pipeline outputs, and is a step towards ultra-low-latency parameter estimation within search pipelines.

چکیده به فارسی (ترجمه ماشینی)

خطوط لوله جستجوی موج گرانشی مبتنی بر فیلتر همسان ، رویدادهای نامزد را در عرض چند ثانیه از ورود آنها به زمین مشخص می کند و فرصتی برای هدایت پیگیری های الکترومغناطیسی و مشاهده رویدادهای چند منظوره ارائه می دهد.دانستن پاسخ آشکارسازها به یک سیگنال اخترفیزیکی در سراسر منیفولد سیگنال جستجو شده مهم است که پارامترهای پیش ساز را استنباط می کند و تصمیم می گیرد که نامزدها زمان تلسکوپ را ضمانت می کنند.در این مقاله ، ما از شبکه های عصبی مصنوعی برای تسریع و محاسبات نسبت سیگنال به نویز (SNR) برای تکه های محلی به اندازه کافی از منیفولد سیگنال استفاده می کنیم.مدل مبتنی بر یادگیری ماشین ما یک شکل موج منفرد (یا به طور معادل ، یک بار SNR را محاسبه می کند) در 6 میلی ثانیه بر روی CPU و 0.4 میلی ثانیه در یک GPU ایجاد می کند.هنگامی که ما از GPU برای تولید همزمان دسته ای از شکل های موج استفاده می کنیم ، می یابیم که می توانیم شکل موج 10^4 $ $ را در $ LESSIM 1 $ ms در GPU تولید کنیم.این امر در حالی که به طور متوسط ​​وفادار باقی مانده است ، به طور متوسط ​​به 1 قسمت در 10^4 $ (1 قسمت در 10^5 $) برای سیاه چاله باینری (ستاره نوترون باینری).مدلی که ارائه می دهیم به منظور استفاده مستقیم از خروجی های خط لوله تشخیص میانی طراحی شده است و گامی به سوی تخمین پارامتر فوق العاده کم در خطوط لوله جستجو است.