Aceleração de arquitetura de modelos substitutos de forma de onda gravitacional de aprendizado de máquina
Modelos de formas de onda precisos e computacionalmente eficientes de coalescências binárias compactas são um requisito fundamental para a análise de dados de ondas gravitacionais.
Pontos-chave
- Em foco: Modelos de formas de onda precisos e computacionalmente eficientes de coalescências binárias compactas são um requisito fundamental para a análise de
- Detalhe: Resultado ainda sem revisão por pares
- Leitura editorial: resultado provisório, ainda sem revisão por pares formal.
Modelos de formas de onda precisos e computacionalmente eficientes de coalescências binárias compactas são um requisito fundamental para a análise de dados de ondas gravitacionais. Este trabalho apresenta implementações diferenciáveis e aceleradas por hardware dos modelos substitutos de aprendizado de máquina mlgw e mlgw-bns dentro do ecossistema JAX.
A estrutura proposta permite compilação JIT, paralelização vetorial, aceleração nativa de GPU e diferenciação automática, preservando a infraestrutura de treinamento substituta original e sua aplicabilidade a aproximantes arbitrários de formas de onda sem precessão. Os benchmarks são realizados no caso do buraco negro binário com um substituto recém-treinado do aproximante SEOBNRv5HM.
Na CPU, eles mostram acelerações no tempo de avaliação da forma de onda em relação à implementação original do mlgw que excede uma ordem de grandeza. Ao explorar a aceleração da GPU e a vetorização em lotes grandes, elas atingem aproximadamente duas ordens de magnitude.
Os benchmarks realizados no caso de estrelas de nêutrons binárias com um modelo substituto TEOBResumSPA alcançam ganhos semelhantes na GPU. Demonstramos esse recurso com um pipeline de amostragem aninhado construído em BlackJax-NS, realizando análises de estimativa de parâmetros dos eventos GW150914 e GW170817 com mlgw e mlgw-bns.
As análises requerem aproximadamente doze e dezessete minutos, respectivamente, em uma única GPU e produzem distribuições posteriores consistentes com aquelas relatadas pela Colaboração LIGO-Virgo-KAGRA. Além da amostragem aninhada, a diferenciação automática JAX fornece avaliações eficientes de gradiente e Hessiana dos modelos de forma de onda, permitindo a integração com métodos de inferência bayesiana baseados em gradiente.
Tanto indivíduos como organizações que trabalham com arXivLabs abraçaram e aceitaram nossos valores de abertura, comunidade, excelência e privacidade dos dados do usuário.
Fonte original: arXiv Astrophysics