null Nieuw model cDVGAN verbetert analyse van gravitatiegolven en ruis

INF_Gravitatie_23572_head_large.jpg

Nieuw model cDVGAN verbetert analyse van gravitatiegolven en ruis

Onderzoek door promovendus Tom Dooney toont aan dat de kwaliteit van synthetische gegevens van tijdsdomein GAN-modellen verbetert door verschillende representaties, zoals afgeleiden, op te nemen in zijn generatieve model cDVGAN. Dit model is specifiek ontworpen om zowel echte gravitatiegolfsignalen alsook ruis (noise events), bekend als 'glitches', te herkennen en te repliceren. Het artikel wordt binnenkort gepubliceerd in het vooraanstaande wetenschappelijke tijdschrift Physical Review D.

Gravitatiegolven zijn rimpelingen in ruimte en tijd, veroorzaakt door gebeurtenissen zoals botsende zwarte gaten en neutronensterren. Deze golven worden gedetecteerd door zeer gevoelige instrumenten zoals de Advanced LIGO-, Virgo- en KAGRA-detectoren. Naast de echte signalen vangen deze detectoren ook veel ruis op die de analyse kan verstoren.

Trainingsalgoritmen voor het detecteren en analyseren van signalen

Het nieuwe model, cDVGAN, leert verschillende patronen van gravitatiegolven en glitches en genereert vervolgens synthetische gegevens die wetenschappers kunnen helpen hun methoden te verbeteren. Dit is vooral nuttig voor het trainen en valideren van algoritmen die nodig zijn om deze signalen te detecteren en te analyseren.

'De meest interessante bevinding van mijn onderzoek is dat de kwaliteit van door GAN gegenereerde gravitatiegolf- en glitchgegevens verbetert door hun afgeleide representaties tijdens de trainingsfase op te nemen,' zegt Tom. 'Deze benadering kan ook nuttig zijn in andere velden waar generatieve modellen worden gebruikt, en het opnemen van andere representaties van de gegevens kan ook effectief zijn in het verbeteren van de synthetische output.'

Einstein Telescoop

Het onderzoek is ook relevant voor toekomstige detectoren zoals de Einstein Telescoop. Deze nieuwe detector zal gevoeliger zijn dan de huidige, waardoor zwakkere signalen kunnen worden gedetecteerd en het aantal detecteerbare gebeurtenissen aanzienlijk toeneemt. Dit betekent echter ook dat ze mogelijk meer glitch-gebeurtenissen zullen opvangen. Flexibele modellen zoals cDVGAN zullen helpen bij het analyseren van deze nieuwe soorten ruis.

Onderzoeksteam

Tom Dooney is promovendus aan de faculteit Bètawetenschappen van de Open Universiteit. Hij voerde het onderzoek uit samen met dr. Stefano Bromuri, dr. Lyana Curier en Dr. Daniel Tan, allen verbonden aan dezelfde faculteit. Daarnaast droegen prof. dr. Chris Van Den Broeck en Melissa Lopez van het GRASP Institute van de Universiteit Utrecht, bij aan het onderzoek.

Physical Review D

Het artikel zal vrij toegankelijk zijn en wordt begin juli 2024 online gepubliceerd. De preprint, een voorlopige versie van het artikel, is al beschikbaar. Het artikel wordt naar verwachting volgende maand officieel gepubliceerd in Physical Review D, een vooraanstaand tijdschrift in elementaire deeltjesfysica, veldtheorie, gravitatie, kosmologie en astrofysica.