Efficient Parallel Processing of Second-Generation TDI Data for Galactic Binaries in Space-Based Gravitational Wave Missions
Notice bibliographique
Résumé
Space-based gravitational wave missions such as LISA, Taiji, and Tianqin rely on the time-delay interferometry (TDI) technique to observe low-frequency signals such as Galactic binaries (GBs), massive black-hole binaries, and extreme-mass-ratio inspirals. Among these sources, resolving the large population of GBs poses a central challenge for data analysis. In this work, we present GBSIEVER-C, a pipeline implemented in C and parallelized using OpenMP (Open Multi-Processing), along with a range of additional algorithmic optimizations, including a fast implementation of second-generation TDI response modeling. It builds upon the previous MATLAB-based pipeline that demonstrated competitive performance on LISA Data Challenge (LDC) data. To the best of our knowledge, GBSIEVER-C is the first pipeline to address the GB resolution problem using second-generation TDI data. We apply it to the GB dataset in Taiji Data Challenge (TDC) that contains 30 million GBs. Compared with our previous results on LDC data, it achieves improved source resolution, residual suppression, and parameter-estimation accuracy. These gains are consistent with the enhanced sensitivity expected from Taiji’s longer arm length. Although validated on Taiji data, the pipeline is fully compatible with LISA and similar mission configurations, and supports both single-detector and multi-detector network analyses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».