2023 Fiscal Year Research-status Report
High Performance Extraction Method of Ringdown Gravitational Waves by combining Deep Learning and Adaptive Mode Decomposition
| Project/Area Number |
21K13926
|
|---|
| 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
|
| 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 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、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の改良において大きな成果をあげることができた。
フィルター設計に用いていたディープラーニングのモデルを畳み込みニューラルネットワーク（CNN）をベースにしたものから、CNNと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)を組み合わせたCNN-LSTMというモデルをベースにしたものに変更した。これにより、幅広いSNRに適用可能なモデルとなった。また、LIGOの公開しているO2期間の実ノイズを使い、実ノイズに対しても有効であることを確認した。
そして、適応型モード分解手法であるHilbert-Huang変換との融合についても取り組んだ。前述のフィルター設計モデルを用いて、リングダウン重力波周辺の帯域を自動で抽出し、その後、Hilbert-Huang変換と融合させることで、リングダウン周波数の推定を可能にした。この結果、手動でフィルター設計した場合の結果と同等の精度での推定が可能であることを明らかにした。
最後に、Hilbert-Huang変換自体の高度化として、Time-Frequency-Amplitudeマップ（T-F-Aマップ）の表示において、カーネル密度推定を用いて複数モードの重なりを連続的に表現できるような方法を構築した。これにより、Hilbert-Huang変換によるT-F-Aマップをディープラーニングの入力に用いた場合の有効性を増すことができ、手法の発展する方向性を増やすことができた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初計画では、2023年度はシミュレーションデータを用いて手法の検討を行う段階であり、それは達成できた。2024年度に改良を進め、実観測データを用いた評価を行うことを目指す。
|
| Strategy for Future Research Activity |
引き続き、ディープラーニングとHilbert-Huang変換を組み合わせたリングダウン重力波の抽出について、手法の高度化や、実観測データでの評価に取り組んでいく。
|
| Causes of Carryover |
出張の計画を見直したことと、ハードウェアの増強よりもソフトウェアのインストールを優先した結果である。次年度、実観測データでの解析を進めるにあたって、ハードウェアの増強などを再検討し、助成金を使用する。
|
