人工智能学习准圆形黑洞合并的高阶引力波模式

物理快报B 835（2022）137505人工智能和极端规模计算来学习和推断准圆形，旋转，非旋进黑洞合并的Asad Khana，b，c，E.A.Huertaa，b，d，Prayush Kumarea数据科学和学习部，阿贡国家实验室，Lemont，IL 60439，美国b伊利诺伊大学厄巴纳-香槟分校物理系，厄巴纳，IL 61801，美国c国家超级计算应用中心，伊利诺伊大学厄巴纳-香槟分校，厄巴纳，IL 61801，美国d芝加哥大学计算机科学系，芝加哥，IL 60637，美国国际理论科学中心，塔塔基础研究所，班加罗尔560089，印度Ar t i cl e i nf o a b st r a ct文章历史：收到2022年2022年9月11日收到修订版我们使用人工智能（AI）来学习和推断准圆形，旋转，非旋进二元黑洞合并的高阶引力波模式的物理学。我们使用1400万个波形来训练AI模型，这些波形是由代理模型NRHybSur3dq8生成的，其中包括模式直到4≤4和（5，5），除了（4，0）和（4，1），描述质量比q≤8的双星，2022年10月13日接受2022年10月15日网上发售单个自旋sz{1，2}∈[−0. 八，零。8]，倾角θ ∈ [0，π]。我们的概率人工智能代理人可以编辑：P. Brax关键词：AI黑洞高性能计算高阶波形模式精确地约束描述这种信号流形的数值相对论波形的质量比、单个自旋、有效自旋和倾角。 我们比较了我们的人工智能模型的预测与高斯过程回归，随机森林，k最近邻和线性回归，以及通过PyCBC推理工具包与传统贝叶斯推理方法，发现人工智能在准确性方面优于所有这些方法，并且比传统贝叶斯推理方法快三到四个数量级。我们的人工智能代理人在Summit超级计算机的1，536个NVIDIA V100 GPU上使用分布式训练2022作者出版社：Elsevier B.V.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。 由SCOAP3提供资金。1. 介绍严格的，可重复的，统计的和主要的人工智能（AI）的发展正在导致科学和工程的重大突破[1]，并引导人类直觉在纯数学中找到新的基本结果[2]。人工智能在引力波天体物理学中的应用正在从原型发展到生产规模的发现框架。自从我们开发了第一个人工智能模型来创建一个可扩展的，计算效率高的方法来搜索和发现引力波[3，4]以来，这种方法已经被国际研究人员社区所接受并进一步发展[5到目前为止，人工智能已经被探索用于各种信号处理任务，包括检测[8-*通讯作者。电子邮件地址：khan74@illinois.edu（A.Khan）。https://doi.org/10.1016/j.physletb.2022.137505多信使源的建模系统[39-利用高性能计算（HPC）和科学数据基础设施的引力波检测的生产规模AI框架也已经开发出来[45，46]，为AI驱动方法的可扩展性，可重复性和计算效率提供了证据[47]。图1提供了人工智能和极端规模计算的快速融合，以研究需要具有更丰富和更复杂形态的波形的天体物理场景。鉴于这些发展，现在是时候进一步推动人工智能应用的前沿，以量化其描述高维信号流形的适用性，这些信号流形包含的波形比文献中已经探索的波形更丰富，更复杂。这篇文章是朝这个方向迈出的一步我们为这项研究选择的驱动因素包括表征准圆形，旋转，非旋进双黑洞合并发射的高阶引力波模式。我们密集采样由质量比q≤8的二进制组成的参数空间，0370-2693/ 2022作者。由Elsevier B.V.发布，这是CC BY许可证下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。由SCOAP3提供资金。目录可在ScienceDirect物理快报B期刊主页：www.elsevier.com/locate/physletbA. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375052−==∼为||为∈ [−]==联系我们联系我们||为- -为||为∼4问4我..1212单个自旋sz{1，2}∈ [−0. 八，零。8]，倾角θ∈ [0，π]其中，−2Y4m是自旋重量2球谐函数，θ是轨道角动量与轨道角动量之间的倾角。使用14M波形的训练数据集这件事的规模之大训练数据集需要人工智能和高性能计算的结合，因此我们利用橡树岭国家实验室的Summit超级计算机，通过1536个NVIDIA V100 GPU的分布式训练，将训练阶段从数月（使用单个V100 GPU）减少到3.4小时。虽然本文展示了人工智能和HPC在计算方面的巨大挑战，但本文分析的主要目标是探索我们通过对高阶引力波模式的信号流形进行人工智能驱动的研究可以获得哪些新的见解。特别是，在本文中，我们旨在探讨以下开放问题[48]：1. 人工智能是否有可能学习并准确描述高维引力波信号流形的物理特性？2. 是否有可能利用人工智能的计算效率和可扩展性，用数千万个建模波形来训练模型，并用经过充分训练的人工智能模型进行快速的数据驱动分析？3. 当我们结合极端规模计算以减少洞察时间，物理信息AI架构和优化方案以加速收敛，以及包含更高或更低的高维信号流形时，概率AI模型是否真的提供了更准确的推理预测？二进制和检测器的视线，φ0是初始二进制相位，在本研究中我们将其设置为零。 我们的波形包括更高秩序模式与44和（4，m）（5， 5）， 前，包括（4，m）（4，0）和（4，1）模式;覆盖时间跨度t10，000 M，130 M，合并峰出现在t 0 M;并以时间步长t进行采样1米图2示出了相同的 这几个波形有助于形象化在振幅和相位演化方面包括高阶模式的重要性， 以及衰荡相的形态。顶部面板显示的波形信号仅包括 4m 2最佳定向配置θ0下的模式，最大化信号幅度以达到可检测性目的。底部面板示出了当我们构造包括高阶模式的波形信号时可以获得什么新信息，即，合并前波形信号的幅度和相位呈现新颖的非线性特征以及更丰富和复杂得多的振铃相位。 与此形成鲜明对比的是，顶部面板将仅改变角度θπ/4，π/2，因为4M2模式信号通过以下方式调制：一个恒定的乘法因子，由倾斜度an设置， gle [51，52].训练数据集它由1400万个波形组成，这些波形覆盖了一个4-D参数空间，该空间分别包含质量比、单个自旋和倾角{q，s z，s z，θ}。我们通过der wave模式将AI模型暴露给特征和模式1采样质量比q2 ，8]的步骤中，Δq= 0。1;个体其提供波形动态特性Z∈ [1z黑洞的合并4. 当我们用具有复杂形态的波形来描述引力波信号流形时，我们得到了什么样的见解？正如我们下面所描述的，上面问题1-3的答案是响亮的是。在新的见解方面，我们发现我们的确定性和概率性AI模型为高阶波形模式的质量比、个体自旋和倾角提供了信息约束。 这些都是重要的结果，因为我们以前的工作[48]表明，当我们只考虑4M 2 种模式，很难约束单个旋转 的可比的质量比系统，以及自旋的secondrons为非对称的质量比系统。这项研究表明，包含高阶模式解决了这些问题，并提供了一个明智的描述的能力，人工智能的字符- 将这个高维信号流形化。 在本文中，我们使用几何单位，其中G c1。本文件的结构如下。第2节描述了用于创建我们的AI模型的方法。我们将在第3节中介绍并讨论我们的发现。未来的工作方向在第4节中概述。2. 方法spins si∈ [−0. 八，零。[8]在步骤中，i=0。02;以及倾斜角θ∈ [0，π]，步长为θ= 0。1.验证和测试数据集 的 这些 集 组成 的800，000个波形，并且通过交替地采样介于训练集值之间的值来AI架构我们为我们的模型使用稍微修改的WaveNet[53]神经网络架构。WaveNet这些特征有助于捕捉输入时间序列中的长程相关性，并促进更深层次神经网络的训练。此外，由于我们对回归分析感兴趣，我们关闭了卷积层中的因果填充。 我们在所有卷积层中使用2的过滤器大小，并堆叠3个残差块，每个残差块由14个膨胀卷积组成。对于架构的更深入讨论，我们请读者参考[48，53]。从WaveNet的输出，然后馈入三个独立的，arate分支的全连接层。每个分支机构都经过培训，预测质量比q，有效自旋参数（Seff，σeff），和倾角θ，其中Seff=σ1sz+σ2sz，在这里，我们描述了数据集，AI架构和训练与 σ1<$1 + 3和 σ2<$1+3q，（2）创建我们的AI模型所遵循的方法m1sz+m2szqsz +sz数据集我们使用代理模型NRHybSur3dq8[49]来和σeff=1 2m1+m211+Q2.（三）生成时间序列数据集，包括plus、h+和因为我们的目标是预测{q，s z，s z，θ}，所以我们求解方程：（2）及（3）交叉、h×、偏振。 这些可以表示为 复杂时间序列h=h+−ih×。 h也可以表示为 的自旋加权球谐模，h4m，2-球[50]结合预测的Q值，以便提取各个自旋Sz。训练方法我们采用预测值和真实值之间的均方误差（MSE）作为损失函数，∞ltion. 在训练过程中，我们监控验证集上的损失，h（t，θ，φ0）=h4m（t）−2Y4m（θ，φ0），（1）4=2m=−l动态降低学习率，并在过度拟合之前停止训练。我们将学习率降低2倍，=A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375053|=−1..12Fig. 1.人工智能和极端规模计算的融合利用人工智能和高性能计算来学习和描述引力波信号流形的物理学。具有更丰富复杂性的信号流形（从左到右）提供了将TB大小的训练数据集与极端规模计算相结合的新机会，允许开发新的分布式训练算法和优化方案，这些算法和方案结合了物理和数学原理，以加速AI代理的收敛和性能。图2. 高阶模式的影响。 对于参数为 {q，sz，sz}= {7. 05，0。77，0。77}，我们示出了具有（l =|M| =2; θ =0）（顶部面板），以及对于θ= {0，π/ 4，π/ 2}，包括高达4≤ 4和（5， 5）的高阶模式（不包括（4， 0）和（4， 1）模式）的波形（底部面板）。验证损失在连续3个时期内不减少，并且当验证损失在连续3个时期内不减少时停止训练。5 连续的时期。在Summit超级计算机中，在256个节点（相当于1，536个NVIDIA V100 GPU）上训练模型需要大约71个epoch，使用LAMB [54]优化器，初始学习率设置为0。001.标准化流：除了上述点估计的分析外，我们还训练了一个标准化流模型来估计后验分布。为此，我们使用WaveNet模型作为特征提取器，而不是直接提取参数，然后在提取的特征上调节归一化模型以估计后验分布。这种方法首先在[55]中描述，然后在其他研究中使用[28，33]。我们遵循相同的过程，使用nflows库[56]。标准化概率流是“无似然”推断方法的一个示例，并且由可逆映射的组合组成，以将简单的基本概率分布（例如， 多变量高斯）转换成可能非常复杂的期望后验分布。变换后的分布由变量变化公式给出：pX （ x ） =pZ （ z ） det[Jf （ z ） ]、（四）其中Z是基础分布的随机变量，X是转换分布的随机变量，f是 标准化流程（即， 可逆变换），使得X f（ Z）。在我们的情况下，目标是为对应于波形应变h的参数y的条件后验分布p（ y h）建模。我们分两步来做（如图所示）3）;A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375054[tφ]cc=−≤关于我们|N.==联系我们1联系我们2N我 我1212{}+×{}蓝色，而其参数{q，sz，sz，θ}的波形，由AI口述的内容以红色虚线显示。我们量化了我们的AI模型通过计算重叠，O（h t|h p），在地面实况h t和AI预测的h p波形之间，使用O（ht|hp）=maxx.赫拉特|hp[tc，φc]，与ht=ht（ht|ht）−1/2，（7）图3. 规范化流程模型架构。 示意图显示，说明如何将波形[h+，h x]馈送到WaveNet模型中，以提取到h的函 数。 然后，在该函数中，归一化后验分布f_h，θ_t kkester，并将基础分布N（μ=0，θ=I）变换为预测后验分布q（y|h）。首先，我们通过WaveNet模型传递应变h，以提取一个feturvectorh。我们使用一个条件向量来规范化h，k，特别是神经样条流[57]，以跨越-其中[tc，φc]是归一化波形时间和相位都有变化。图5总结了确定性AI模型估计所有质量比的高阶模式参数和倾斜角样本的自旋的准确性。在那里，我们注意到，预测的准确性下降的边缘上的系统，即， θπ/2。 请注意，在预测值中可以看到轻微的偏移倾斜角θ与其在具有θ0，π的面板中的地面真值的偏差，尽管该分布具有与其中值的1σ偏差内的真实值。这种转变可能是因为 0 和 π对应于 θas0 θπ，这导致恢复的θ值分布的单侧环绕，进而导致恢复的中值向边界移动。我们在图6中提供了对这些结果的更全面的分析，在图6中，我们显示了在对称质量比和有效质量比方面的地面实况和预测信号之间的重叠计算。所有质量比和自旋的有效自旋（η，σeff）对于倾斜角度的样本。同样，这里我们发现我们的结果对于除了边缘上的二进制之外的所有角度都是最优的。我们可以理解这一点，如果我们回忆一下，对于θ=π/2，我们失去了一半的因为h×（t，θ=π/2）→ 0，我们将信息输入到我们的AI模型中。形成基本标准多元高斯N（μ=0，μ=I）以提供优先分布q（yh）。因此，函数h_i ， h_i取决于输入波形h（通过特征向量h_i），并且通过可学习的波形h_i来进行参数化。也不是-然后，通过更新参数来训练malizing Crowow模型因此，预测分布q（y|h）匹配真实后验分布p（y|h）。这是通过最小化负对数似然来实现的，即，给定一批N个地面实况参数yi及其对应的波形hi，用于归一化的卷积模型的目标是最小化：L=−1。logq（y|h）（5）i=1其中，根据等式（4）;总之，我们的确定性AI模型为所考虑的参数空间提供了信息丰富的点参数估计结果。3.2. 与其他机器学习方法的我们将我们的AI模型的预测与其他机器学习算法进行了比较，包括高斯过程回归，随机森林，k-最近邻和线性回归。该分析的结果如图所示第七章为了这个比较，我们不得不减少训练数据，因为传统的机器学习模型对于处理用于训练我们的AI模型的TB大小的训练数据集来说埃尔。因此，我们考虑了一个简化的数据集，q（yi|hi）=pN（z）.det[Jfh]，θ3. 结果（z）]。.（六）质量比为q 4的空穴双星。0，4。1和倾角θ 0。0，0。1，以及所有可能的旋转组合。然后，我们在q4的测试集上测试了这些机器学习模型。05和θ 0。05，以及所有可能的旋转组合。使用我们上面考虑的相同指标来量化我们的AI模型的性能，例如，平均绝对误差7、提出了一个问题--我们 本 结果 使用 确定性 和 概率人工智能我们在第2节中描述的模型。如上所述考虑的所有四个参数的年龄绝对误差（q，sz，sz，θ）。很明显，即使在这种情况下，12这些AI模型被设计为接收包括两个偏振（h， h）的时间序列波形信号，然后输出最可能的q，sz，sz，θ值，这些值最好地再现了输入信号。3.1. 确定性AI模型在图4中，我们提供了我们的确定性AI模型对各种输入波形信号的预测能力的结果样本。请注意，地面实况波形如与传统的机器学习模型相比，神经网络具有明显的优势，仍然可以提供更好的结果。这些结果证明了AI在高阶模式的信号流形上搜索的能力，并精确定位一组 参数q、 sz、 sz、θ最好地描述了包括高阶模式的波形的特性。虽然这是信息性的，但我们也想知道与这种AI预测值相关的不确定性。为了提取这样的信息，我们使用WaveNet与NormalizingWavelow的组合来估计后验分布，如第2节所述。−1A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375055−12图第四章 地面实况波形和AI预测波形之 间 的 比 较 地面实况波形（蓝色）和AI预测波形（虚线红色）。上图：{q，sz，sz}=12{2。05，-0。79，0。77}，下图：{q，s z，s z}={7。85，0。77，-0。79}。 我们从左到右显示了倾斜角θ ={0，π/4，π/2}的波形地面实况和预测波形之间的重叠是0≥ 0。98.图5. 确定性AI模型的统计结果对于倾角样本，所有质量比q和单个自旋（s z，s z）的绝对误差。的真实值12倾斜角度为[0. 054，0。70，1。57，3。[09 - 09]并为上面的标签进行四舍五入3.3. 概率AI模型我们选择了二元黑洞系统来量化人工智能重建已知难以表征的系统的天体物理参数的能力。特别是，我们考虑sider可比的质量比双星，这是困难的，以区分个别自旋，以及不对称的质量比系统，sity。我们将上述使用的无量纲信号缩放到基准真实事件GW 150914的源位置，并使用振幅设置为LIGO仪器的零失谐高功率设计灵敏度曲线的202048 Hz之间的中值噪声水平的随机噪声功率谱密度 [59]。下面，我们给出了概率参数估计结果，六个天体物理参数：（q，sz，sz，σeff，Seff，θ），使用以下公式，12因此很难精确地限制第二螺旋桨的旋转。我们直接将我们的AI驱动结果与贝叶斯推理PyCBC推理工具包进行比较[58]。为了与人工智能驱动的分析保持一致，PyCBC推理产生的推理结果假设无噪声信号，并且功率谱密度为命名法：基础真值显示为蓝色; AI结果显示为黑色;PyCBC推断结果显示为绿色：图8给出了等质量双黑洞合并的结果。这些结果表明，我们的人工智能模型产生了尖锐的，·. 在所有这些情况下，A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375056--联系我们2·=图第六章 地面真实信号与确定性AI模型预测信号之间的重叠地面真实信号与AI预测信号之间的重叠，以倾斜角样本的对称质量比η和有效自旋σeff表示。图7.人工智能和传统机器学习方法之间的比较人工智能预测与机器学习方法进行了比较，考虑了质量比为q的简化数据集第四章0，4。1和倾角θ0。0，0。1，和旋转组合。这种方法是必要的，因为这些方法对于处理数千万个用于训练目的的波形。然后在具有q的数据集上测试训练的机器学习模型第四章05，θ0。05和所有旋转组合。平均绝对所示的误差是所有四个 参数（q、sz、sz、θ）上的绝对误差的平均值。12窄分布，为描述该信号的天体物理参数提供信息约束。 我们还注意到，PyCBC推理提供了与地面真值一致的约束，尽管这些分布往往很宽，并且具有长尾，特别是对于自旋次级线圈sz和倾角θ。图9和10代表q4双星，它们的i）主星和副星快速旋转和排列，ii）主星快速旋转，副星适度旋转和反排列。在这里，人工智能推理结果和地面真值非常一致。PyCBC推断结果为所有参数提供了更广泛的分布A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375057=·=图8.概率AI和贝叶斯推理结果，q1例。AI后验分布（黑色），PyCBC推断结果（绿色）和等质量比二元黑洞合并的地面真值（蓝色）。 AI直方图显示了 从 后 验 中 抽 取 的100，000个 样本的 分 布 。感兴趣的或无信息的约束，特别是对于次级的自旋。同样值得注意的是，虽然PyCBC推断没有为次级自旋提供信息约束，但有效自旋参数σeff的估计确实提供了信息，尽管它们仍然呈现长尾分布。图图11和图12给出了两种配置下q首先，这两个双星组件都在快速旋转并对齐。第二，初级是快速旋转的，而次级几乎是无自旋的。我们选择这两种配置是为了说明，在任何一种情况下，AI估计都提供了窄分布，并为考虑中的所有参数提供了信息约束，特别是对于次级的自旋。我们现在注意到，对于非对称质量比黑洞合并，PyCBC推论并没有为质量比提供严格的约束。此外，这种传统的贝叶斯方法没有为二进制的二次提供信息约束，并且倾角具有宽的长尾分布。如前所述，有效的自旋参数σeff提供了信息约束，尽管具有长尾。基准结果这些结果提供的证据表明，人工智能surro- gates能够学习和推断描述准圆形，旋转，非旋进，高阶波形模式的二元黑洞合并的物理。除了这些发现，我们还提供了比较人工智能和传统贝叶斯推理的计算效率的结果，以产生图。8到12. 在计算性能方面，我们发现，我们通过使用正态化小波从后验分布中抽取100，000个样本，产生了这些图表中呈现的人工智能结果。在所有考虑的情况下，使用单个A100 NVIDIA GPU不到一秒即可完成，即，而不考虑双星黑洞合并的性质对于PyCBC推理，我们在具有24个物理内核的AMD EPYC 7352上使用了10个单线程进程，从后验分布中提取了类似数量的样本，··A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375058--≤ ≤图9.概率AI和贝叶斯推理结果，q4、正面和对齐自旋情况。 如图8所示，但现在对于质量比为q的双星，四个星系的双星正在快速旋转。1小时41分钟，图。83 图9为小时49分钟4 图10为小时21分钟6小时37分钟，图。112小时20分钟的无花果。12总之，我们的概率AI代理比传统的贝叶斯推理方法快三到四个数量级。这些结果还表明，我们应该清楚地区分我们可以从引力波中推断出的物理学，以及信号处理工具的选择将如何增强或限制我们研究的科学范围。例如，在文献中有人认为，很难推断出非对称质量比双星的秒轨道的自旋，因为较轻黑洞的旋转对波形的形态学有一定的影响。我们从这项研究中学到的是，我们应该把问题的物理性质与用于研究致密双星的天体物理性质的信号处理工具区分开来，对于任何系统来说都是如此。传统的贝叶斯推理确实无法提供信息，有效的限制，自旋的第二，即使是适度的不对称的质量比合并，我们看到在图。9和10;或不对称的质量比系统，正如我们看到的图。11和12然而，我们的概率人工智能模型确实为质量比为1 q的双星的初级和次级自旋提供了信息约束 8. 这是因为波形信号中次级印记的旋转的微妙特征和模式被人工智能识别和学习，这使我们能够从包括高阶波形模式的复杂信号中推断出这些天体物理参数。我们还从这个分析中了解到另一条信息。随着更广泛的社区继续开发用于加速推理的人工智能驱动方法，我们应该努力开发新的人工智能工具，而不是限制这些算法的功能，以简单地加速参数估计分析，提供与传统贝叶斯推理管道几乎相同的结果。这样做将限制我们从引力波观测中学习新见解的能力。正如我们从这项研究中所了解到的那样，旨在模仿贝叶斯管道的人工智能方法将对A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）1375059图10. 概 率AI和贝叶斯推断结果，q = 4，反对齐自旋情况。 如图 9，但现在次级在−z方向上缓慢旋转。致密双星，特别是次级双星，从而限制了我们可以获得的关于这些源的形成通道的知识或见解。类似地，对这些源的倾斜角度的无信息约束将对引力波宇宙学产生影响。这项研究表明，在我们观察黑洞合并的高阶波形信号的信号流形的情况下，我们可以使用概率AI方法从这些信号中提取大量的天体物理信息。 我们还了解到，贝叶斯方法无法捕获能够测量重要天体物理参数的特征和模式，这不是噪声引入的偏差的结果，因为我们在这个阶段没有考虑噪声的影响。参数估计中的这些信号处理限制与传统的贝叶斯推断是一致的。本文的另一个重要结果是，我们设计了一种训练AI模型的方法，该模型能够充分处理包括数千万建模波形的训练数据集，从而为扩展这种分析铺平了道路，因为这些类型的信号被模拟和高级LIGO噪声污染。本文介绍的方法将使我们能够量化参数估计分析中噪声引入的偏差，以及如何处理它们以使用高阶引力波模式提取信息丰富的AI驱动参数估计结果。4. 结论我们已经开发了可扩展的和计算效率高的方法来设计AI模型，能够表征准圆形，自旋，非旋进二元黑洞合并的高阶波模式的信号流形。我们的方法使我们能够在3.4小时内使用256个节点的超过1400万个波形的数据集训练几个AI模型，多达1，536个NVIDIA V100 GPU，实现最佳收敛和最先进的回归结果。我们已经证明，人工智能可以从时间序列数据中提取知识，这些数据有助于约束决定黑洞合并高阶模式动态演化的物理参数。特别是，我们已经提出了证据表明，人工智能提供了确定性和概率性的预测，严格约束质量比，个别自旋，倾斜角，和ef。A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）13750510--图11.概率AI和贝叶斯推理结果，q7、正面和对齐情况。如图8所示，但现在对于质量比为q的双星，7，其二进制组件正在快速旋转。有效的自旋参数的各种天体物理方案。我们还发现，确定性和概率性人工智能预测是相互一致的，并且与地面真实物理参数非常一致。我们还证明了我们的AI代理在计算效率和准确性方面优于其他机器学习方法（包括高斯回归，随机森林，k最近邻和线性回归）和PyCBC推理。我们在这篇文章中介绍的结果为AI在没有噪声的情况下估计双星黑洞合并的天体物理参数的预期性能提供了基准。在未来的工作中，我们将研究模拟和先进的LIGO噪声的影响，以便为高维波形人工智能进行信息化的AI驱动推理。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据可用性数据将应要求提供。确认A.K. 和E.A.H.衷心感谢美国国家科学基金会（NSF）授予的OAC-1931561和OAC-1934757奖项，以及创新和新颖的计算对理论和实验的影响项目P.K.感谢印度政府原子能部在项目编号RTI4001下以及国际理论科学中心Ashok和Gita Vaish早期职业教师奖学金的支持。本材料基于由美国能源部科学办公室主任根据合同号DE-AC 02 - 06 CH 11357提供的阿贡国家实验室实验室指导研究与开发（LDRD）资金支持的工作。这项研究使用了阿贡领导力计算设施的资源，这是一个由合同DE-AC02 - 06 CH 11357支持的科学用户设施的DOE办公室。这项研究使用了橡树岭领导计算设施的资源，橡树岭领导计算设施是美国能源部科学用户办公室A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）13750511--图12. 概率AI和贝叶斯推理结果，q7，初级快速旋转，次级几乎不旋转。 如图11所示，但现在对于q一个快速旋转的主星和一个几乎不旋转的副星。根据DE-AC 05 - 00 OR 22725号合同支助的设施。这项工作利用了由NSF的主要研究仪器计划HAL集群（授权号OAC-1725729）支持的资源 以及伊利诺伊大学香槟分校。 我们感谢Nvidia的持续支持。引用[1] Y. LeCun，Y.本焦湾Hinton，Deep learning，Nature 521（7553）（2015）436-444.[2] A. Daa a，P. Vel ickovic'，L. Buesing，S. Bla ck well，D. Zheng，N. 托米·马扎韦河 。Tan-burn ， P. Battaglia ， C. Blundell ， A. 尤 哈 斯 湾 Lackenby ， G.Williamson，D. Has-sabis，P. Kohli，通过人工智能引导人类直觉来推进数学，自然600（12 2021）70-74。[3] D. 乔 治 ， E.A. Huerta ， Deep neural networks to enable real-timemultitimes-sengerastrophysics，Phys. Rev. D 97（2018年2月）044039。[4] D.乔治，E。Huerta，用于实时引力波探测和参数估计的深度学习：高级ligo数据的结果，Phys.Lett。B 778（2018）64-70。[5] E.A.韦尔塔湾艾伦岛Andreoni，J.M. Antelis，E. Bachelet，G.B. Berriman，F. B.比安科河Biswas，M. Carrasco Kind，K. Chard，M.周，P.S. Cowperthwaite，Z.B. Etienne，M. Fishbach，F. Forster，D.乔治，T。吉布斯，M. Graham，W.格洛普，R. Gruendl，A.古普塔河Haas，S. Habib，E. Jennings，M.W.G. Johnson，E. Kat-savouncement，D.S. Katz，A. Khan，V. Kindratenko，W.T.C. Kramer，X. Liu，中 国 粘 蝇 A.马 哈 巴 尔 ，Z。Marka ，K. McHenry，J.M.米 勒 角 Moreno， M.S.Neubauer，S. 欧柏林A.R. Olivas，D.Petravick，A.Rebei，S.Rosofsky，M.Ruiz，A.Saxton，B.F. 舒茨A. Schwing，E. Seidel，S.L.夏皮罗，H。沈，Y. Shen，L.P. Singer，B.M.锡波茨湖Sun，J. Towns，A. Tsokaros，W. Wei，J. Wells，T.J. Williams，J. Xiong，Z.Zhao ， Enablingreal-time multi-messenger astrophysics discovery with deeplearning，Nat. Rev. Phys. 1（10月）2019）600[6] E.A. Huerta ， Z. Zhao ， Advances in Machine and Deep Learning forModelingand Real-Time Detection of Multi-Messenger Sources ， SpringerSingapore，新加坡，2020，pp. 1比27[7] E. Cuoco，J.Powell，M.卡瓦利亚湾Ackley，M.贝杰角Chatterjee，M.考夫林，S. Coughlin，P. Easter，R. Essick，H. Gabbard，T. Gebhard，S.戈什湖Haegel，A. I e s s ， D. Keitel，Z. Marka，S. Marka ，F. Morawski， T.阮 河 ，巴 西 -地Ormiston，M. Puer-rer，M.拉扎诺湾Staats，G.瓦延特湾Williams，Enhancinggravitational wavesciencewith machine learning，Mach. 学习. Sci. Tech. 2（1）（2021）011002.[8] H.加巴德湾Williams，F.海斯角信使，匹配匹配滤波与引力波天文学的深层网络，物理学。120（4月）2018年）141103。[9] 诉Skliris，M.R.K. Norman，P.J. Sutton，使用卷积神经网络实时检测未建模的引力波瞬变，arXiv：2009。14611年9月2020年。[10] Y.-- C. Lin，J.- H.P. Wu，使用baidu神经网络探测引力波，物理修订版D 103（Mar 2021）063034。[11] H. Wang，S. Wu，Z. Cao，X. Liu，J.- Y. Zhu，引力波信号识别LIGO数据的深度学习，物理。Rev. D 101（10）（2020）104003.[12] X. Fan，J. Li，X. Li，Y. Zhong，J. Cao，将深度神经网络应用于具有α的致密二元聚结的检测和空间参数估计，A. Khan，E.A. Huerta和P. Kumar物理快报B 835（2022）13750512网络引力波探测器，科学。中国，物理机械航天，62（6）（2019）969512。[13] X.- R. Li，G.巴布，W.- L.于，X。- L.范，卷积神经网络在重力波探测中的优化，前沿。物理（北京）15（5）（2020）54501.[14] D.S. Deighan，S.E.菲尔德卡帕诺湾Khanna，遗传算法优化的引力波分类神经网络，arXiv：2010.04340，10月。2020年。[15] A.L. Miller等人，机器学习在实际搜索中探测来自中子星的长瞬变引力波的有效性如何？物理学修订版D 100（6）（2019）062005。[16] P.G. Krastev ， 使 用 人 工 神 经 网 络 实 时 探 测 来 自 双 星 中 子 星 的 引 力 波 ，Phys.Lett。沪公网安备31010502000110号[17] M.B. Schäfer，F. Ohme，A.H. Nitz，使用机器学习检测来自双中子星合并的引力波信号，Phys. Rev. D 102（9月）。2020）063015。[18] C.德赖西加克河Prix，深度学习连续引力波：多探测器和现实噪声，物理学。Rev. D 102（2）（2020）022005.[19] A. Rebei，E.A. Huerta，S. Wang，S.哈比卜河Haas，D. Johnson，D.乔治，融合数值相对论和深度学习来检测偏心二元黑洞合并的高阶多极波形式，物理。[20] C. 德 赖 西 加 克 河 夏 尔 马 角 马 森 杰 河 Zhao 河 ， 巴 西 - 地 Prix ， Deeplearningcontinuousgravitational waves ， Phys. Rev. D 100 （ 4 ） （ 2019 ）044009。[21] B.Beheshtipour，M.A.Papa，Deeplearningforclusteringofcontinuousgravitationalwave candidates ， Phys. Rev. D 101 （ Mar.2020 ）064009。[22] M.B. Schäfer ， A.H.Nitz ， From OnetoMany ： A Deep LearningCoincidentGravitational WaveSearch，Phys. Rev. D 105（4）（2022）043003.[23] M.B. Schäfer，O. Zelenka，A.H. Nitz，F.奥梅湾 Brügmann，深度学习引力波搜索的训练策略，物理修订版D 105（4）（2022）043002。[24] A. Gunny ， D. Rankin ， J. Krupa ， M. Saleem ， T. Nguyen ， M. Coughlin ， P.Harris，E. Katsavouncement，S.蒂姆湾Holzman，实时引力波天文学的硬件加速推理，Nat。宇航员。6（5）（2022）529[25] H. Shen、黑腹叶蝉D.乔治，E.A. Huerta，Z. Zhao，使用增强的深度递归去噪自动编码器去噪引力波，在：ICASSP 2019-2019 IEEE声学，语音和信号处理国际会议（ICASSP），IEEE，2019年，pp. 3237-3241。[26] W. Wei，E.A. Huerta，用深度学习对二元黑洞合并的引力波去噪，物理。Lett.B 800（1月2020年）135081。[27] R. Ormiston，T. Nguyen，M.考夫林，R.X. Adhikari，E. Katsavouncent，通过深度学习减少引力波数据中的噪声，物理学评论2（2020年7月）033066。[28] H. Shen，E.A. Hue