ترجمه فارسی مقاله طبقه‌بندی‌کننده‌ی یادگیری ماشینی برای بقایای پس از ادغام ستاره‌های نوترونی دوتایی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A machine-learning classifier for the postmerger remnant of binary neutron stars
عنوان مقاله به فارسی طبقه‌بندی‌کننده‌ی یادگیری ماشینی برای بقایای پس از ادغام ستاره‌های نوترونی دوتایی
نویسندگان Anna Puecher, Tim Dietrich
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات High Energy Astrophysical Phenomena,General Relativity and Quantum Cosmology,پدیده های اخترفیزیکی با انرژی بالا , نسبیت عام و کیهان شناسی کوانتومی ,
توضیحات Submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Knowing the kind of remnant produced after the merger of a binary neutron star system, e.g., if a black hole forms or not, would not only shed light on the equation of state describing the extremely dense matter inside neutron stars, but also help understand the physical processes involved in the postmerger phase. Moreover, in the event of a gravitational-wave detection, predicting the presence of a neutron star remnant is crucial in order to advise potential electromagnetic follow-up campaigns. In this work, we use Gradient Boosted Decision Trees and publicly available data from numerical-relativity simulations to construct a classifier that predicts the outcome of binary neutron star mergers, based on the binary's parameters inferred from gravitational-wave inspiral signals: total mass, mass-weighted tidal deformability, mass ratio, and effective inspiral spin. Employing parameters that can be estimated from the inspiral part of the signal only allows us to predict the remnant independently on the detection of a postmerger gravitational-wave signal. We build three different classifiers to distinguish between various potential scenarios, we estimate their accuracy and the confidence of their predictions. Finally, we apply the developed classifiers to real events data, finding that GW170817 most likely lead to the formation of a hypermassive neutron star, while GW190425 to a prompt collapse to a black hole.

چکیده به فارسی (ترجمه ماشینی)

دانستن نوع بقایای تولید شده پس از ادغام یک سیستم ستاره نوترون باینری ، به عنوان مثال ، اگر یک سیاهچاله شکل می گیرد یا نه ، نه تنها معادله وضعیت را توصیف می کند که ماده بسیار متراکم در داخل ستاره های نوترون را توصیف می کند ، بلکه به درک این امر نیز کمک می کندفرآیندهای فیزیکی درگیر در مرحله پس از ام.علاوه بر این ، در صورت تشخیص موج گرانشی ، پیش بینی حضور بقایای ستاره نوترون برای مشاوره در مورد کمپین های پیگیری الکترومغناطیسی بالقوه بسیار مهم است.در این کار ، ما از درختان تصمیم گیری شده شیب و داده های در دسترس عموم از شبیه سازی های عددی-ارتباط برای ساخت طبقه بندی کننده استفاده می کنیم که نتیجه ادغام ستاره های نوترون باینری را پیش بینی می کند ، بر اساس پارامترهای باینری که از سیگنال های الهام بخش موج گرانشی استنباط می شود: جرم کل ، جرم کل ، تودهتغییر شکل پذیری جزر و مدی ، نسبت جرم و چرخش الهام بخش مؤثر.استفاده از پارامترهایی که می توان از قسمت الهام بخش سیگنال تخمین زد ، فقط به ما امکان می دهد تا بقایای مستقل را در تشخیص سیگنال موج گرانشی پسارگر پیش بینی کنیم.ما سه طبقه بندی کننده مختلف برای تمایز بین سناریوهای مختلف بالقوه ایجاد می کنیم ، دقت آنها و اعتماد به نفس پیش بینی های آنها را تخمین می زنیم.سرانجام ، ما طبقه بندی کننده های توسعه یافته را به داده های رویدادهای واقعی اعمال می کنیم ، و می دانیم که GW170817 به احتمال زیاد منجر به تشکیل یک ستاره نوترون بیش از حد می شود ، در حالی که GW190425 برای فروپاشی سریع به یک سیاه چاله 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.