Rapid calculation of the signal-to-noise ratio of gravitational-wave sources using artificial neural networks
Γρήγορος υπολογισμός του signal-to-noise ratio των πηγών βαρυτικών κυμάτων χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα
![Thumbnail](/xmlui/bitstream/handle/unipi/15239/Tsioulis_21054.pdf.jpg?sequence=9&isAllowed=y)
Master Thesis
Συγγραφέας
Τσιούλης, Ιωάννης
Tsioulis, Ioannis
Ημερομηνία
2023-02Επιβλέπων
Αποστόλου, ΔημήτριοςApostolou, Dimitrios
Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Deep learning ; Machine learning ; Astronomy ; Gravitational-waves ; Artificial neural networksΠερίληψη
Χρησιμοποιώντας συμβολομετρικούς ανιχνευτές βαρυτικών κυμάτων, μπορούμε τώρα να
παρατηρήσουμε τη σκοτεινή πλευρά του σύμπαντος. Ήδη, έχουν εντοπιστεί σχεδόν 90 διπλά
συστήματα μελανών οπών. Για να μετρηθούν οι παράμετροι της ενός συστήματος που
ανιχνεύθηκε, πρέπει να γίνει σύγκριση των δεδομένων με πρότυπες κυματομορφές,
χρησιμοποιώντας έναν μεγάλο αριθμό προτύπων (τάξης εκατοντάδων χιλιάδων). Σε τέτοιους
υπολογισμούς εκτίμησης παραμέτρων είναι επίσης χρήσιμο να γνωρίζουμε τον βέλτιστο λόγο
σήματος προς θόρυβο ενός μεμονωμένου μοντέλου κυματομορφής. Σε αυτή τη διπλωματική,
εκπαιδεύουμε ένα τεχνητό νευρωνικό δίκτυο σε ένα τυχαίο δείγμα ενός εκατομμυρίου
θεωρητικών κυματομορφών διπλών συστημάτων μελανών οπών με τυχαίες περιστροφές και
επιτυγχάνουμε ακρίβεια 97% στην πρόβλεψη του λόγου σήματος προς θόρυβο. Το νευρωνικό
δίκτυο υπολογίζει τα αποτελέσματα τάξεις μεγέθους ταχύτερα από τον αρχικό υπολογισμό.
Δείχνουμε τα αποτελέσματα της βελτιστοποίησης διαφορετικών υπερπαραμέτρων με
αναζήτηση πλέγματος και με επιλεκτικές αναζητήσεις. Τέλος, δείχνουμε ότι ο λογάριθμος της
ακρίβειας σχετίζεται γραμμικά με τον λογάριθμο του αριθμού των σημείων στο σύνολο
δεδομένων. Αυτό μας επιτρέπει να προβλέψουμε ότι θα απαιτηθούν περίπου 7 εκατομμύρια
δεδομένα για την επίτευξη ακρίβειας 99% στην πρόβλεψη του λόγου σήματος προς θόρυβο με
το νευρωνικό δίκτυο που κατασκευάσαμε.