ΦasmaNet
一种用于快速预测引力波信噪比的轻量级神经网络架构，采用分阶段光谱Token精炼设计，包含Φ-Stages、Φ-Refractor和Φ-Feedback模块。
时间轴 (近 90 天)
ΦasmaNet 是一个参数量约 732k 的紧凑神经网络架构，用于快速预测引力波信噪比（SNR）。
ΦasmaNet 使用分阶段光谱精炼作为架构先验，包含有序的注意力机制阶段（Φ-Stages）、Φ-Refractor 子空间混合模块和门控自顶向下的 Φ-Feedback 机制。
ΦasmaNet 在 IMRPhenomXPHM 波形模型（进动、高阶模式双黑洞信号）上训练，输入为 11 维参数，输出为固定 Advanced LIGO 设计灵敏度下单一探测器的相位平均最优信噪比。
在 10^6 训练样本下，ΦasmaNet 在留出测试集上取得 100-MAPE=98.73% 的成绩。
在探测相关区间（ρ>8）内，ΦasmaNet 的精度达到 99.39%，R^2=0.9998。
在训练样本量从 10^5 到 10^6 的匹配训练条件下，ΦasmaNet 在与 MLP、1D-ResNet 和 Transformer-encoder 等基线模型的对比中均表现出优势。
在单块 GPU 上，ΦasmaNet 每秒可完成约 1.2×10^5 次 SNR 评估，端到端处理包含 10^6 次注入的目录仅需约 8.3 秒。
在 16 核 CPU 上运行传统的波形与内积计算，耗时比 ΦasmaNet 在单块 GPU 上的评估高出大约两个数量级。
ΦasmaNet 支持通过 ρ∝1/d_L 进行精确的距离重缩放，从而高效地进行针对同一目录的重复可探测性评估。
当前分析主要基于单一来源的论文摘要，尚缺乏独立第三方的复现验证，但该研究提供了一个全流程文档化的管道，并明确将其定位为可复现的基准。
还有 2 条时间轴事件
全部知识事实 (12)
ΦasmaNet 是一个参数量约 732k 的紧凑神经网络架构，用于快速预测引力波信噪比（SNR）。
50%待验证ΦasmaNet 使用分阶段光谱精炼作为架构先验，包含有序的注意力机制阶段（Φ-Stages）、Φ-Refractor 子空间混合模块和门控自顶向下的 Φ-Feedback 机制。
50%待验证ΦasmaNet 在 IMRPhenomXPHM 波形模型（进动、高阶模式双黑洞信号）上训练，输入为 11 维参数，输出为固定 Advanced LIGO 设计灵敏度下单一探测器的相位平均最优信噪比。
50%待验证在 10^6 训练样本下，ΦasmaNet 在留出测试集上取得 100-MAPE=98.73% 的成绩。
50%待验证在探测相关区间（ρ>8）内，ΦasmaNet 的精度达到 99.39%，R^2=0.9998。
50%待验证在训练样本量从 10^5 到 10^6 的匹配训练条件下，ΦasmaNet 在与 MLP、1D-ResNet 和 Transformer-encoder 等基线模型的对比中均表现出优势。
50%待验证在单块 GPU 上，ΦasmaNet 每秒可完成约 1.2×10^5 次 SNR 评估，端到端处理包含 10^6 次注入的目录仅需约 8.3 秒。
50%待验证在 16 核 CPU 上运行传统的波形与内积计算，耗时比 ΦasmaNet 在单块 GPU 上的评估高出大约两个数量级。
50%待验证ΦasmaNet 支持通过 ρ∝1/d_L 进行精确的距离重缩放，从而高效地进行针对同一目录的重复可探测性评估。
50%待验证当前分析主要基于单一来源的论文摘要，尚缺乏独立第三方的复现验证，但该研究提供了一个全流程文档化的管道，并明确将其定位为可复现的基准。
50%待验证ΦasmaNet 的演示仅限于固定单探测器配置，尚未验证扩展到探测器网络以及特定历元灵敏度的表现。
50%待验证作者指出，在公开表格数据集上的初步结果显示，ΦasmaNet 架构的竞争力可能超出引力波领域，具备向更广泛的表格回归任务迁移的潜力。
50%