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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Accelerated signal-to-noise ratio interpolation across the gravitational-wave signal manifold powered by artificial neural networks
عنوان مقاله به فارسی درون‌یابی نسبت سیگنال به نویز شتاب‌یافته در سراسر منیفولد سیگنال موج گرانشی با استفاده از شبکه‌های عصبی مصنوعی
نویسندگان Ryan Magee, Richard George, Alvin Li, Ritwik Sharma
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
دسته بندی موضوعات Instrumentation and Methods for Astrophysics,General Relativity and Quantum Cosmology,ابزار دقیق و روش های اخترفیزیک , نسبیت عام و کیهان شناسی کوانتومی ,
توضیحات Submitted 5 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 360,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.