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 | |