Rapid calculation of the signal-to-noise ratio of gravitational-wave sources using artificial neural networks

Τσιούλης, Ιωάννης; Tsioulis, Ioannis

dc.contributor.advisor	Αποστόλου, Δημήτριος
dc.contributor.advisor	Apostolou, Dimitrios
dc.contributor.author	Τσιούλης, Ιωάννης
dc.contributor.author	Tsioulis, Ioannis
dc.date.accessioned	2023-03-13T12:17:09Z
dc.date.available	2023-03-13T12:17:09Z
dc.date.issued	2023-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/15239
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/2661
dc.description.abstract	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.	el
dc.format.extent	55	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Rapid calculation of the signal-to-noise ratio of gravitational-wave sources using artificial neural networks	el
dc.title.alternative	Γρήγορος υπολογισμός του signal-to-noise ratio των πηγών βαρυτικών κυμάτων χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	Using interferometric gravitational wave detectors, we can now observe the dark side of the universe. Already, nearly 90 binary black hole systems have been detected. To measure the source parameters of a detected system, one needs to perform matched filtering, using a large number of templates (of order hundreds of thousand). In such parameter estimation calculations it is also useful to know the optimal signal-to-noise ratio of an individual model waveform. In this thesis, we train an artificial neural network on a random sample of one million theoretical waveforms of binary black hole systems with random spins and achieve an accuracy of 97% in predicting the signal-to-noise ratio. The neural network evaluates the results orders of magnitude faster than the original calculation. We show the results of the optimization of different hyperparameters with a grid search and with selective searches. Finally, we show that the logarithm of the accuracy is linearly related to the logarithm of the number of points in the dataset. This allows us to predict that a dataset size of about 7 million data points will be required to achieve an accuracy of 99% in predicting the signal-to-noise ratio with the neural network that we constructed.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Astronomy	el
dc.subject.keyword	Gravitational-waves	el
dc.subject.keyword	Artificial neural networks	el
dc.date.defense	2023-02-21

Αρχεία σε αυτό το τεκμήριο

Name:: Tsioulis_21054.pdf
Μέγεθος:: 1.708Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα