Buchumschlag

Evaluating state-of-the-art cloud quantum computers for quantum neural networks in gravitational waves data analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Isfan, Maria-Catalina, Caramete, Laurentiu-Ioan, Caramete, Ana
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cosmology and Nongalactic Astrophysics Instrumentation and Methods for Astrophysics Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Quantum Computing Tools for Fast Detection of Gravitational Waves in the Context of LISA Space Mission
von: Isfan, Maria-Catalina, et al.
Veröffentlicht: (2025)

Constraining Power of Wavelet vs. Power Spectrum Statistics for CMB Lensing and Weak Lensing with Learned Binning
von: Boone, Kyle, et al.
Veröffentlicht: (2025)

Deep Learning for Point Spread Function Modeling in Cosmology
von: Arbeláez, Dayana Andrea Henao, et al.
Veröffentlicht: (2026)

Partition function approach to non-Gaussian likelihoods: macrocanonical partitions and replicating Markov-chains
von: Herzog, Maximilian Philipp, et al.
Veröffentlicht: (2023)

Starobinsky in Stereo: SKA-CMB Synergy in SBI
von: Schosser, Benedikt, et al.
Veröffentlicht: (2025)

Trajectory Based RFI Subtraction and Calibration for Radio Interferometry
von: Finlay, Chris, et al.
Veröffentlicht: (2023)

TABASCAL II: Removing Multi-Satellite Interference from Point-Source Radio Astronomy Observations
von: Finlay, Chris, et al.
Veröffentlicht: (2025)

Partition function approach to non-Gaussian likelihoods: partitions for the inference of functions and the Fisher-functional
von: Kuntz, Rebecca Maria, et al.
Veröffentlicht: (2023)

GetDist: a Python package for analysing Monte Carlo samples
von: Lewis, Antony
Veröffentlicht: (2019)

DerivKit: stable numerical derivatives bridging Fisher forecasts and MCMC
von: Šarčević, Nikolina, et al.
Veröffentlicht: (2026)

Enhancing evidence estimation through informed probability density approximation
von: Zahraoui, El Mehdi, et al.
Veröffentlicht: (2025)

The Galaxy Bias Profile of Cosmic Voids:A Comparison of Void Finders
von: Alfaro, Ignacio G., et al.
Veröffentlicht: (2026)

Substructure Detection in Realistic Strong Lensing Systems with Machine Learning
von: Tsang, Arthur, et al.
Veröffentlicht: (2024)

Clues from $\mathcal{Q}$--A null test designed for line intensity mapping cross-correlation studies
von: Sarkar, Debanjan, et al.
Veröffentlicht: (2025)

Morphometry on the sphere: Cartesian and irreducible Minkowski tensors explained and implemented
von: Collischon, Caroline, et al.
Veröffentlicht: (2024)

From few to many maps: A fast map-level emulator for extreme augmentation of CMB systematics datasets
von: Campeti, P., et al.
Veröffentlicht: (2025)

Analytic Marginalization over Binary Variables in Physics Data
von: Högås, Marcus, et al.
Veröffentlicht: (2025)

Sampling the full hierarchical population posterior distribution in gravitational-wave astronomy
von: Mancarella, Michele, et al.
Veröffentlicht: (2025)

The Non-Gaussian Weak-Lensing Likelihood: A Multivariate Copula Construction and Impact on Cosmological Constraints
von: Oehl, Veronika, et al.
Veröffentlicht: (2026)

Initial Conditions from Galaxies: Machine-Learning Subgrid Correction to Standard Reconstruction
von: Parker, Liam, et al.
Veröffentlicht: (2025)

Observability of Acausal and Uncorrelated Optical-Quasar Pairs for Quantum-Mechanical Experiments
von: Steinbring, Eric
Veröffentlicht: (2025)

Cosmological Parameter Estimation with Sequential Linear Simulation-based Inference
von: Mediato-Diaz, Nicolas, et al.
Veröffentlicht: (2025)

Multi-Agent System for Cosmological Parameter Analysis
von: Laverick, Andrew, et al.
Veröffentlicht: (2024)

Transfer Learning Beyond the Standard Model
von: Krishnaraj, Veena, et al.
Veröffentlicht: (2025)

Fisher's Mirage: Noise Tightening of Cosmological Constraints in Simulation-Based Inference
von: Wilson, Christopher, et al.
Veröffentlicht: (2024)

Recovering the CMB signal with neural networks
von: Casas, J. M., et al.
Veröffentlicht: (2025)

On the accuracy of posterior recovery with neural network emulators
von: Bevins, H. T. J., et al.
Veröffentlicht: (2025)

Design and optimization of neural networks for multifidelity cosmological emulation
von: Yang, Yanhui, et al.
Veröffentlicht: (2025)

The AI Cosmologist I: An Agentic System for Automated Data Analysis
von: Moss, Adam
Veröffentlicht: (2025)

Euclid: Searches for strong gravitational lenses using convolutional neural nets in Early Release Observations of the Perseus field
von: Pearce-Casey, R., et al.
Veröffentlicht: (2024)

Ten-dimensional neural network emulator for the nonlinear matter power spectrum
von: Yang, Yanhui, et al.
Veröffentlicht: (2025)

Recovering CMB polarization maps with neural networks: Performance in realistic simulations
von: Casas, J. M., et al.
Veröffentlicht: (2023)

On networks of space-based gravitational-wave detectors
von: Cai, Rong-Gen, et al.
Veröffentlicht: (2023)

Euclid Quick Data Release (Q1). Searching for giant gravitational arcs in galaxy clusters with mask region-based convolutional neural networks
von: Euclid Collaboration, et al.
Veröffentlicht: (2025)

Sensitivity to anisotropic stochastic gravitational-wave background with space-borne networks
von: Liang, Zheng-Cheng, et al.
Veröffentlicht: (2023)

CLiENT: A new tool for emulating cosmological likelihoods using deep neural networks
von: Janken, Luca, et al.
Veröffentlicht: (2025)

Wave effect of gravitational waves intersected with a microlens field II: an adaptive hierarchical tree algorithm and population study
von: Shan, Xikai, et al.
Veröffentlicht: (2024)

Extending Galactic foreground emission with neural networks
von: Puglisi, Giuseppe, et al.
Veröffentlicht: (2026)

Physical parameter regression from black hole images via a multiscale adaptive neural network
von: Wei, Jialei, et al.
Veröffentlicht: (2025)

Graph-based Summary Statistics for Revealing the Stochastic Gravitational Wave Background in Pulsar Timing Arrays
von: Alakhras, M., et al.
Veröffentlicht: (2025)