Búsqueda · 36 momentos en 22 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetmachine learning instituto max planckfusión estrellas de neutrones serie temporalseñal característica orbitando neutronesInstituto Max PlanckMachine LearningSara RobiscoGastón Giribet
Señal característica orbitando neutrones
Ep 503: Propulsión Espacial; Computación Cuántica; Fusiones de Estrellas de Neutrones; Agujeros Negros
13 de marzo de 20253 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.
…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…
Significado #1 · Palabras #1
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 #1machine learning instituto max planckfusión estrellas de neutrones serie temporalseñal característica orbitando neutrones…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…
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 #11redes 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…
Gastón Giribet explica cómo la secuencia en la que se detectan los neutrinos y las señales electromagnéticas depende de la naturaleza del evento que las emite.
Habla: Gastón GiribetSignificado #17neutrinos señales electromagnéticas eventoerrores sistemáticos observación neutrinosdesconocimiento proceso físico emisiones…no van más rápido que la luz a pesar de lo que diga algún tipo de ópera Entonces uno ve antes los neutrinos porque el sub-evento, en este caso una supernova, ocurrió primero la emisión de neutrinos y después la copiosa emisión electromagnética O sea que Depende de la naturaleza del evento que emite en electromagnéticos y en neutrinos; uno va a ver una señal un poquito antes que la otra. Entonces todo esto introduce errores ya sistemáticos, errores de observación, errores del desconocimiento del proceso físico o sus detalles que pudieron haber dado origen a estas emisiones, pero bueno, lo que se observó en este. Caso es que uno de los eventos más, no el más energético, pero creo que el tercero o cuarto más energético que Ice Cube haya detectado en los últimos 10 años: es decir, un neutrino de 4 peta electronvoltios, es una brutalidad. Los neutrinos son partículas que…