High Performance Extraction Method of Ringdown Gravitational Waves by combining Deep Learning and Adaptive Mode Decomposition
Project/Area Number |
21K13926
|
Research Category |
Grant-in-Aid for Early-Career Scientists
|
Allocation Type | Multi-year Fund |
Review Section |
Basic Section 15010:Theoretical studies related to particle-, nuclear-, cosmic ray and astro-physics
|
Research Institution | Nagaoka National College of Technology |
Principal Investigator |
酒井 一樹 長岡工業高等専門学校, 電子制御工学科, 助教 (40824298)
|
Project Period (FY) |
2021-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2024: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
Fiscal Year 2021: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
|
Keywords | 重力波 / ディープラーニング / 適応型モード分解 / ニューラルネットワーク |
Outline of Research at the Start |
本研究は重力波観測による重力理論検証の可能性を広げるために,リングダウン重力波を高精度に抽出する新しいデータ解析手法を構築するというものである。 線形時不変であり通過帯域がフラットなバターワースフィルタに着目し,そのフィルタパラメータをディープラーニングで最適化してモード分解を行うという,新しいアプローチでありながら結果の信頼性が保証される方法で,高精度なリングダウン重力波抽出手法の構築を目指す。
|
Outline of Annual Research Achievements |
ディープラーニングと適応型モード分解の融合による高精度なリングダウン重力波抽出法の構築に向け,前年度に作成した,ディープラーニングによってバターワースバンドパスフィルターを設計するプログラムに関して,その改良やさらなる発展に向けた検証を行った。 まず第一に,フィルター設計に適したディープラーニングのモデルの検討として,再帰型ニューラルネットワークの一種であるLong-short term memory (LSTM)と,自然言語処理の分野で大きな成果を挙げているTransformerの2つのモデルについて,ノイズを含む観測データからそこに含まれる重力波波形を再構成するタスクに対する性能評価を行った。どちらも有効であったがLSTMの方がわずかに精度が高いことがわかった。 また,ディープラーニングによってリングダウン重力波の性質を抽出する際に重要となるパラメータを調査するために,ノイズを含む観測データからリングダウン重力波の開始時刻を推定するディープラーニングを構築した。さらに,Grad-CAMという画像分類の分野においてディープラーニングの判断根拠を示すことに効果を挙げている手法の,回帰問題版であるGrad-RAMと呼ばれる手法を用いて観測データのどの部分がより重要かを可視化することに取り組んだが,Grad-RAMはGrad-CAMと比べて有益な情報を得ることが難しいことがわかった。 最後に,前年度から継続して適応型モード分解の効果的な活用の検討として,Hilbert-Huang変換の拡張に取り組んだ。前年度は極値間の補間に関して,3次スプライン補間から秋間補間に変更した場合の評価を行ったが,今年度はさらにステファン補間に変更した場合の評価も行った。秋間補間と同等以上の性能が見込めることが明らかになった。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初計画において,2022年度はHilbert-Huang変換のモード分解をディープラーニングを用いて実現する方法の検討を始める段階であり,そのための準備として,ディープラーニングを用いたフィルタ設計や,重力波の観測データに対するモード分解の性能評価などを十分に進めることができた。 この調子で2023年度にディープラーニングを用いたモード分解を実現することができれば計画どおりに進展していると言える。
|
Strategy for Future Research Activity |
引き続き,研究計画通りに,Hilbert-Huang変換におけるモード分解をディープラーニングを用いた行えるようにすることをまず取り組む。これまでの知見を活かしつつ,必要となる検証を追加で行いながら,残り2年間で,実装・評価・実データへの適用まで計画どおりに進めていく。
|
Report
(2 results)
Research Products
(6 results)