Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer

要約

宇宙ベースの重力波検出は、今後 10 年間で最も期待される重力波 (GW) 検出プロジェクトの 1 つであり、豊富な小型連星系の検出が期待されています。
しかし、宇宙GW波形の正確な予測はまだ解明されていない。
検出器の応答と第 2 世代時間遅延干渉法 (TDI 2.0) によって引き起こされる波形の複雑さの増大におけるデータ処理の困難を解決するために、CBS-GPT (Compact Binary Systems Waveform Generation with Generative Pre-
訓練されたトランスフォーマー）が提案されています。
コンパクトな連星系の波形については、大質量ブラック ホール連星 (MBHB)、極度質量比吸殻星 (EMRI)、および銀河連星 (GB) の波形を予測するために 3 つのモデルがトレーニングされ、99%、91%、および 91% の予測精度を達成しました。
CBS-GPT モデルは、複雑な機器の応答や広いパラメータ範囲であっても、隠れパラメータが波形の複雑な情報を効果的に捕捉するため、顕著な一般化と解釈可能性を示します。
私たちの研究は、重力波領域における大規模な事前トレーニング済みモデルの可能性を実証し、GW 科学のための複雑な波形の生成、ギャップ補完、深層学習モデル設計などの将来の研究に新たな機会と指針をもたらします。

要約(オリジナル)

Space-based gravitational wave detection is one of the most anticipated gravitational wave (GW) detection projects in the next decade, which is promising to detect abundant compact binary systems. However, the precise prediction of space GW waveforms remains unexplored. To solve the data processing difficulty in the increasing waveform complexity caused by detectors’ response and second-generation time-delay interferometry (TDI 2.0), an interpretable pre-trained large model named CBS-GPT (Compact Binary Systems Waveform Generation with Generative Pre-trained Transformer) is proposed. For compact binary system waveforms, three models were trained to predict the waveforms of massive black hole binary (MBHB), extreme mass-ratio inspirals (EMRIs), and galactic binary (GB), achieving prediction accuracies of 99%, 91%, and 99%, respectively at most.The CBS-GPT model exhibits notable generalization and interpretability, with its hidden parameters effectively capturing the intricate information of waveforms, even with complex instrument response and a wide parameter range. Our research demonstrates the potential of large pre-trained models in gravitational wave realm, opening up new opportunities and guidance for future researches such as the complex waveforms generation, gap completion, and deep learning model design for GW science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google