Búsqueda · 24 momentos en 15 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetaprendizaje profundo nature astronomyfusiones estrellas neutrones ligovirkagràdetección quilonoa resultado fusiónobservación visual fusiones neutronesonda gravitacional análisis gráficadatos orbitales spin cuerposmétodo bayesiano ondas gravitacionalesprecisión limitada método bayesianosimplificación datos ondas gravitacionalesgráfica onda gravitacional esperadamachine learning instituto max planckfusión estrellas de neutrones serie temporalseñal característica orbitando neutronesred neuronal dingo bnsdetección rápida observatoriosInstituto Max PlanckMachine LearningSara RobiscoResNetLIGOVirgoKAGRANature AstronomyDingo BNSPatreoniVooxPaypalHéctor Socas
Entrenamiento con pocos datos fusión Estrellas neutrones
Ep 503: Propulsión Espacial; Computación Cuántica; Fusiones de Estrellas de Neutrones; Agujeros Negros
13 de marzo de 20254 momentos
Con
0:000:301:001:302:002:303:12
Sara Robisco explica cómo investigadores del Instituto Max Planck proponen un método de Machine Learning para analizar la serie temporal de una gráfica, específicamente el momento previo a la fusión de estrellas de neutrones.
…era la hermana de quien era y tal y al final se aceptó es una historia muy interesante no recuerdo los detalles así que voy a dejarlo ya aquí pero sí que creo que lo hemos comentado alguna vez y es una de esas figuras muy importantes de la mujer en la ciencia Vamos entonces con el siguiente tema, nos traía Sara un paper que salió publicado en Nature Astronomy sobre la aplicación de aprendizaje profundo para el estudio de las fusiones de estrellas de neutrones, ¿verdad Sara? Exacto, a ver, tenemos un problema con la fusión de estrellas de neutrones y es que es un fenómeno que aunque se ha detectado mediante LIGO, Virgo y KAGRA, no se ha visto nunca in situ, quiero decir, no tenemos información visual, no hemos visto ese momento La fusión es una cosa muy privada entre ellas, tampoco tenemos por qué estarlo metiendo Claro, somos unos bollillos, ya, pero tenemos curiosidad Perdón, perdón, pero ¿de qué no vimos? O sea, ¿una quilonoa? No, la quilonoa sí, que es el resultado de esa fusión, ¿vale? Pero el momento en el que se están fundiendo, en el momento en que se juntan El rollo morboso, vamos Exacto Antes del beso No lo hemos visto. Entonces, como somos unos morbosillos y nos gustan esas cosas, ¿y por qué? Básicamente, porque esto nos puede dar mucha información. Entonces queremos verlo. ¿Qué pasa? Que hasta ahora lo que se hace son, hay muchos esfuerzos y lo que se hace con una onda gravitacional es cuando se detecta algo, se analiza el detalle de la gráfica y el dato se envía así. Si se cree, oye, esto es una fusión, por favor, enviad, colocad los observatorios para que capten el lugar porque dentro de los datos de esta órbita podemos obtener información de la ubicación, del spin, de los cuerpos, un montón de datos ¿Qué pasa? Que esto tarda mucho tiempo y aparte actualmente se hace automáticamente mediante métodos bayesianos. El problema del método bayesiano es que pierdes muchísima precisión, o sea, son bastante imprecisos porque son datos. La gráfica de una onda gravitacional no es lo que nosotros esperamos ver o hemos visto en medios, que es una grafiquita; no, no, es un dato bastante grande, bastante complicado de digerir, entonces lo tienes que simplificar. Y esa simplificación para que el sistema bayesiano lo procese, pierdes datos y pierdes precisión, tienes una franja de error bastante grande. Entonces, ¿qué pasa? Que se busca un método, esta gente de Max Planck, de Instituto Alemán, propone un método de Machine Learning que analiza esta serie temporal de la gráfica pero analiza el momento previo a la fusión de las estrellas de neutrones. Entonces ellas en el momento en que empiezan a orbitar generan una señal muy característica que eso quieren identificar con este modelo. ¿Por qué? Porque si el modelo lo detecta tendríamos unos minutos de margen para llamar a estos observatorios y aparte de estos Observatorios, lo que es el telescopio en sí; moverlo no es rápido porque imagínate si moviéramos algo venga de prisa corriendo, puedes montar un destrozo bastante divertido. Entonces hay que dar margen, necesitamos un método rápido, lo que viene siendo eficiente y preciso. Entonces ellos proponen una red neuronal que han llamado Dingo BNS por fusión de estrellas de neutrones; porque ellos ya tienen otro Dingo. Hace unos años ellos propusieron un Dingo para fusión de agujeros negros. Vale, entonces Dices, vale, Machine Learning: una red neuronal. ¿Qué tipo de red neuronal así que conozcamos, que hablamos, ha hablado de ellas? ¿Os suena que una gráfica es una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar.…
Significado #1 · Palabras #10
Héctor Socas anuncia los temas que se tratarán en el episodio actual: propulsión espacial, computación cuántica, agujeros negros, cuásares, petaneutrinos y fusiones de estrellas de neutrones, además de otros temas que surjan durante la tertulia.
Habla: Héctor SocasPalabras #17propulsión espacial tema tertuliacomputación cuántica episodio actualagujeros negros temas tertuliafusiones estrellas neutrones discusiónseñalyruido com episodios anteriores…Coffee Break, Señal y Ruido, la tertulia semanal sobre la actualidad de la ciencia hoy. Hablaremos sobre propulsión en el espacio, sobre computación cuántica, sobre agujeros negros, cuásares, petaneutrinos, fusiones de estrellas de neutrones. Todo esto y lo que surja, como siempre. Ya saben que tenemos una página web que está muy apañadita, que es señalirruido.com y en esa web tienen todos los episodios anteriores, los 502 episodios anteriores y todos los materiales que necesitan para estar a la última, todas las referencias de todos los temas que tratamos, también toda la información para encontrarnos en redes sociales y también la información de nuestras iniciativas de micromecenazgo si quieren apoyarnos económicamente con pequeñas suscripciones para invitarnos a un café al mes, un desayuno al mes o un almuerzo al mes a partir de un euro al mes. En Patreon, en iVoox y en Paypal. Recuerden, la web es señalirruido.com, señalirruido con ñ y todo junto. Vamos ya a presentar a nuestros contertulios de hoy. Hoy me acompaña Sara Robisco, que es ingeniera informática y científica de datos. Hola Sara, ¿qué tal? ¿Cómo estás? Hola, pues mira, aquí en Toledo, que ahora mismo ha parado de llover, que estamos bajo el agua. Esto es un no parar, una maravilla, y…
Sara Robisco explica cómo investigadores del Instituto Max Planck proponen un método de Machine Learning para analizar la serie temporal de una gráfica, específicamente el momento previo a la fusión de estrellas de neutrones.
Habla: Sara RobiscoSignificado #1 · Palabras #10aprendizaje profundo nature astronomyfusiones estrellas neutrones ligovirkagràdetección quilonoa resultado fusiónobservación visual fusiones neutronesonda gravitacional análisis gráficadatos orbitales spin cuerposmétodo bayesiano ondas gravitacionalesprecisión limitada método bayesianosimplificación datos ondas gravitacionalesgráfica onda gravitacional esperadamachine learning instituto max planckfusión estrellas de neutrones serie temporalseñal característica orbitando neutronesred neuronal dingo bnsdetección rápida observatorios…era la hermana de quien era y tal y al final se aceptó es una historia muy interesante no recuerdo los detalles así que voy a dejarlo ya aquí pero sí que creo que lo hemos comentado alguna vez y es una de esas figuras muy importantes de la mujer en la ciencia Vamos entonces con el siguiente tema, nos traía Sara un paper que salió publicado en Nature Astronomy sobre la aplicación de aprendizaje profundo para el estudio de las fusiones de estrellas de neutrones, ¿verdad Sara? Exacto, a ver, tenemos un problema con la fusión de estrellas de neutrones y es que es un fenómeno que aunque se ha detectado mediante LIGO, Virgo y KAGRA, no se ha visto nunca in situ, quiero decir, no tenemos información visual, no hemos visto ese momento La fusión es una cosa muy privada entre ellas, tampoco tenemos por qué estarlo metiendo Claro, somos unos bollillos, ya, pero tenemos curiosidad Perdón, perdón, pero ¿de qué no vimos? O sea, ¿una quilonoa? No, la quilonoa sí, que es el resultado de esa fusión, ¿vale? Pero el momento en el que se están fundiendo, en el momento en que se juntan El rollo morboso, vamos Exacto Antes del beso No lo hemos visto. Entonces, como somos unos morbosillos y nos gustan esas cosas, ¿y por qué? Básicamente, porque esto nos puede dar mucha información. Entonces queremos verlo. ¿Qué pasa? Que hasta ahora lo que se hace son, hay muchos esfuerzos y lo que se hace con una onda gravitacional es cuando se detecta algo, se analiza el detalle de la gráfica y el dato se envía así. Si se cree, oye, esto es una fusión, por favor, enviad, colocad los observatorios para que capten el lugar porque dentro de los datos de esta órbita podemos obtener información de la ubicación, del spin, de los cuerpos, un montón de datos ¿Qué pasa? Que esto tarda mucho tiempo y aparte actualmente se hace automáticamente mediante métodos bayesianos. El problema del método bayesiano es que pierdes muchísima precisión, o sea, son bastante imprecisos porque son datos. La gráfica de una onda gravitacional no es lo que nosotros esperamos ver o hemos visto en medios, que es una grafiquita; no, no, es un dato bastante grande, bastante complicado de digerir, entonces lo tienes que simplificar. Y esa simplificación para que el sistema bayesiano lo procese, pierdes datos y pierdes precisión, tienes una franja de error bastante grande. Entonces, ¿qué pasa? Que se busca un método, esta gente de Max Planck, de Instituto Alemán, propone un método de Machine Learning que analiza esta serie temporal de la gráfica pero analiza el momento previo a la fusión de las estrellas de neutrones. Entonces ellas en el momento en que empiezan a orbitar generan una señal muy característica que eso quieren identificar con este modelo. ¿Por qué? Porque si el modelo lo detecta tendríamos unos minutos de margen para llamar a estos observatorios y aparte de estos Observatorios, lo que es el telescopio en sí; moverlo no es rápido porque imagínate si moviéramos algo venga de prisa corriendo, puedes montar un destrozo bastante divertido. Entonces hay que dar margen, necesitamos un método rápido, lo que viene siendo eficiente y preciso. Entonces ellos proponen una red neuronal que han llamado Dingo BNS por fusión de estrellas de neutrones; porque ellos ya tienen otro Dingo. Hace unos años ellos propusieron un Dingo para fusión de agujeros negros. Vale, entonces Dices, vale, Machine Learning: una red neuronal. ¿Qué tipo de red neuronal así que conozcamos, que hablamos, ha hablado de ellas? ¿Os suena que una gráfica es una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar.…
Sara Robisco explica las características y limitaciones de las redes neuronales recurrentes para analizar series temporales, como las generadas por fusiones de estrellas de neutrones.
Habla: Sara RobiscoPalabras #14redes neuronales recurrentes series temporalesanálisis textos conversando redes neuronalesentrenamiento desenrollar enrollar redes neuronalesserie temporal condición de parada redes neuronales…una serie temporal que trabaja muy bien con series temporales? Venga, vamos ahí un poquito a jugar. Venga, todos nos suenan, habéis escuchado hablarme, series temporales, tal, redes neuronales recurrentes, ¿verdad? Sería lo más lógico para este tipo de datos. ¿Por qué? Porque cogen muy bien la señal en el tiempo, son muy precisas, vale. Pero tenemos unos problemas: son lentas; bueno, lentas no, porque las tenemos analizando textos y conversando, pero son grandes, son complicadas de entrenar porque tenemos que desenrollar, enrollar, es un follón; y aparte de esto, necesitas la serie temporal y hasta que no la tiene, no procesa. Quiero decir, tú le das un trocito y ella se queda ahí esperando como una cosa tonta, vale, dame, dame, hasta que tú no tienes una condición de parada, ella no va a parar porque necesita sacar el contexto. Entonces esto es un problemón. Y dices: bueno, quieren ser rápidos, pues tirarán por un modelo de red neuronal menos profundita, ¿no? Lo que hemos visto con el artículo de Juan Carlos, algo sencillo, algo que tarde un segundo. Pues han conseguido hacer que tarde un segundo en darnos la…
Sara Robisco explica el funcionamiento de las ResNet, redes neuronales que aprenden el error o residuo entre la solución verdadera y la observación, en lugar de la solución directamente.
Habla: Sara RobiscoSignificado #2 · Palabras #1resnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutrones…en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han…