Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/80709
Título: | Gravitational waves from compact binary mergers |
Outro(s) título(s): | Ondas gravitacionais de fusões binárias compactas |
Autor(es): | Freitas, Osvaldo Gramaxo de |
Orientador(es): | Onofre, A. Font Roda, José Antonio |
Palavras-chave: | Ondas gravitacionais Binários compactos Deep learning Redes neuronais convolucionais Inferência de parâmetros Gravitational waves Compact binaries Convolutional neural networks Parameter inference |
Data: | 20-Out-2021 |
Resumo(s): | As ondas gravitacionais (OG) são ondas no tecido do espaço-tempo causadas por fenómenos
astrofísicos como supernovas de colapso do núcleo e fusões binárias compactas. Apesar das
enormes energias envolvidas nestes eventos, a amplitude das OG geradas é notavelmente
pequena, e a sua detecção directa não foi possível até muito recentemente: em 2015, os
dois interferómetros da colaboração LIGO detectaram um evento astrofísico consistente com
a fusão de dois buracos negros, dando início à era da astronomia de OG. A esta rede de
detectores juntaram-se o interferómetro Virgo (Observatório Gravitacional Europeu) em 2017
e o interferómetro KAGRA (Universidade de Tóquio) em 2020, reforçando a nossa capacidade
de detectar e analisar estes eventos.
A sondagem de regimes de gravidade extrema promete abrir novas portas para testes
de física fundamental. Por exemplo, OG de fusões de estrelas de neutrões e supernovas
permitem a exploração de processos nucleares no núcleo de estrelas compactas. Outras
aplicações incluem a utilização de OG de sistemas compactos para testes de gravidade de
campo forte e teorias de gravidade modificada. Futuros interferómetros espaciais, como LISA,
poderão permitir um estudo da física do início do universo para além do que é possível com a
radiação electromagnética. No entanto, as actuais abordagens à análise de dados baseiam-se
em métodos de match-filtering, que têm custos computacionais significativos. As técnicas de
deep learning, que têm tido uma explosão no desenvolvimento ao longo das últimas décadas,
têm demonstrado a capacidade de obter elevados níveis de performace tanto em precisão como
em tempo de execução. Estes métodos foram naturalmente propostos como um potencial
aliado para a detecção e inferência de parâmetros nos sinais de OG.
Neste trabalho, exploramos a aplicação de redes neurais convolutivas em representações de
tempo-frequência de OG de fusões binárias compactas, para a detecção de sinais e inferência
de parâmetros. Mostramos que a detecção destes sinais pode ser alcançada com uma precisão
significativa, e que a inferência de parâmetros físicos é viável nesta implementação. Gravitational waves (GW) are ripples in the fabric of spacetime caused by astrophysical phe nomena such as core-collapse supernovae and compact binary mergers. Despite the enormous energies involved in these events, the amplitude of the generated GWs is remarkably small, and their direct detection has been impossible until very recently: in 2015, the two inter ferometers of the LIGO collaboration detected an astrophysical event consistent with the merger of two black holes, ushering in a new era of GW astronomy. The detector network was joined by the European Gravitational Observatory’s Virgo interferometer in 2017 and the University of Tokyo’s KAGRA interferometer in 2020, further bolstering our capacity to detect and analyse these events. Probing extreme gravity regimes promises to open new doors for tests of fundamental physics. For example, GWs from neutron star mergers and supernovae allow for the explora tion of nuclear processes at the core of compact stars. Other applications include using GWs from compact systems for tests of strong-field gravity and modified gravity theories. Future space-based interferometers such as LISA may allow for a probing of early-universe physics beyond what is possible with electromagnetic radiation. However, current approaches to data analysis are based on match-filtering methods, which come with significant computa tional costs. Deep learning techniques, which have seen an explosion in development over the last couple of decades, have shown the capacity for high performace levels in both accuracy and speed at runtime. These methods have naturally been proposed as a potential ally for detection and parameter inference on GW signals. In this work, we explore the application of convolutional neural networks on time-frequency representations of GW data from compact binary mergers, for both signal detection and para meter inference. We show that the detection of these signals can be achieved with significant accuracy, and that physical parameter inference is feasible in this implementation. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Física |
URI: | https://hdl.handle.net/1822/80709 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado LIP - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Osvaldo Gramaxo de Freitas.pdf | 4,33 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons