本文提出了一種基於機器學習的新方法,利用低延遲重力波探測管線的輸出,實時計算重力波源包含中子星和合併後物質殘餘的貝葉斯概率,以協助電磁望遠鏡對重力波事件進行後續觀測。
본 논문에서는 중력파 관측에서 중성자별의 존재 여부 및 전자기 방출 가능성을 실시간으로 예측하는 향상된 베이지안 기반 기계 학습 방법을 제시합니다.
本稿では、低レイテンシ重力波検出パイプラインからの出力に基づいて、中性子星の有無(HasNS)と残骸物質の有無(HasRemnant)を判定する、新たなベイズリアルタイム分類手法を提案する。
This paper introduces a novel machine learning scheme using Bayesian probabilities to improve the real-time classification of gravitational wave signals from compact binary coalescences, focusing on identifying neutron star mergers and the presence of post-merger remnants for multi-messenger astronomy follow-up.
SpectraFM은 다양한 파장과 기기에서 얻은 별 스펙트럼 데이터를 분석하여 별의 화학적 특성을 예측하는 데 효과적인 Transformer 기반 모델이다.
SpectraFM, a novel Transformer-based foundation model, effectively predicts stellar properties from spectra across different wavelengths and instruments by leveraging pre-training on synthetic spectra and fine-tuning with limited real data, outperforming traditional methods and offering insights into astrophysical phenomena.
Astronomaly Protege 是一款基於機器學習的框架,透過人機協作,能夠在海量的天文數據中高效識別出科學家感興趣的罕見或異常天體。
능동 학습 기반 머신러닝 프레임워크인 프로테제는 방대한 천문학 데이터 세트에서 과학적으로 흥미로운 특이 소스를 효율적으로 식별하여 인간의 발견을 돕는다.
本稿では、人間と機械の協調による新しい天体発見フレームワークであるAstronomaly Protegeを紹介し、MeerKAT銀河団レガシーサーベイのデータから、人間の専門家が興味深いと評価する珍しい電波銀河を効率的に発見できることを示した。
This research introduces astronomaly: protege, a machine learning framework that leverages human expertise and active learning to efficiently identify scientifically interesting and rare radio galaxy morphologies within massive astronomical datasets.