Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals

Detalhes bibliográficos
Autor(a) principal: Nunes, Solange da Silva
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/85334
Resumo: Dissertação de mestrado em Physics
id RCAP_322bf5a3d06070f1f1ccce4a236191db
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/85334
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signalsInferência com aprendizagem profunda de ondas gravitacionais de supernovas de colapso nuclear em rotação geradas numericamenteClassificaçãoInferência de parametrosOndas gravitacionaisRedes neuronaisSupernovas de colapso nuclearClassificationCore-collapse supernovaeGravitational wavesNeural networksParameter inferenceCiências Naturais::Ciências FísicasDissertação de mestrado em PhysicsO colapso gravitacional do núcleo de estrelas massivas e a sua subsequente explosão como Supernovas (SN) é uma das fontes de ondas gravitacionais (GW) mais interessantes que esperamos detetar nos próximos anos. As supernovas de colapso nuclear (CCSNe) apresentam um grande interesse científico pois a análise das suas complexas ondas pode potencialmente providenciar informação valiosa sobre os processos físicos que ocorrem durante o colapso gravitacional dos núcleos de ferro de estrelas massivas. Neste trabalho, usam-se técnicas de Aprendizagem Profunda para analisar sinais de GW de CCSN em rotação, classificando-as e separando-as do ruído de fundo dos detetores e estimando alguns parâmetros físicos dos sistemas que produzem estes sinais. Para detetar GW de CCSN em rotação em dados com ruído de detetores, treinou-se uma rede de classificação com um conjunto de dados de Series Temporais de GW de CCSN geradas numericamente e injetadas em ruído real dos detetores Advanced LIGO e Advanced Virgo (correspondente ao período de observação O3a). O teste de classificação alcançou resultados significativos, atingindo uma precisão de 98% para o melhor modelo e nunca confundindo Series Temporais de ruído com sinais (taxa de falsos positivos = 0). Notamos ainda que a maioria dos sinais classificados como ruído tinham razões sinalruído (SNRs) inferiores a 10. Além disso, uma rede adicional para regressão é implementada para estimar alguns parâmetros físicos do sistema, especificamente, a amplitude da GW (Δℎ) e a frequência máxima (pico) do sinal (peak), obtida durante o ressalto do núcleo, usando um conjunto de dados semelhante. Verifica-se que nos testes de regressão se obtêm melhores resultados nas previsões da peak do que para o Δℎ. A performance do treino está correlacionada com o SNR mínimo definido para o conjunto de dados: o melhor resultado foi obtido para um valor mínimo de SNR de 20, que usando Analise de Componentes Principais (PCA) nos gráficos de calibração dos valores previstos em função dos valores reais, fornece uma distribuição com variação Δℎ = 0.232 e desvio do declive de 7.70% para o Δℎ e uma distribuição com variação peak = 0.174 Hz e desvio do declive de 4.90% para a peak.The gravitational collapse of the core of massive stars and the subsequent explosion of such stars as a Supernova (SN) is one of the most interesting sources of Gravitational Waves (GWs) expected to be detected in the coming years. Core-Collapse Supernovae (CCSNe) hold great scientific interest as the analysis of their complex waveforms can potentially provide valuable information about the underlying physical processes operating during the gravitational collapse of the iron cores of massive stars. In this work, Deep Learning (DL) techniques are used to analyze rotational CCSNe GW signals by classifying them and correctly separating them from the background noise of the detectors and by estimating some physical parameters of the systems that produce these signals. To detect the presence of astrophysical GW from rotational CCSNe in noisy detector data, a classifi cation network is trained using a dataset of Time Series from numerically generated CCSNe waveforms injected into the real noise of the Advanced LIGO and Advanced Virgo detectors (corresponding to the O3a observing run). The classification model achieves significant results, reaching an accuracy of 98% for the best model and never confusing strains of noise with signals (false positive rate = 0). It can also be noted that most of the injected signals classified as noise had Signal-to-Noise Ratios (SNRs) below 10. Moreover, an additional regression network is implemented to perform estimation on some physical parameters of the system, specifically, the GW strain amplitude (Δℎ) and the maximum (peak) frequency of the signal (peak), attained at core bounce, using a similar dataset. We find that the regression tests yield better results for the estimation of the peak than for Δℎ. The performance of the training was correlated with the minimum SNR set for the dataset: the best results were obtained for a minimum SNR of 20, which by using Principal Component Analysis (PCA) of the calibration plots of the predicted values vs real values gives a distribution’s variation of Δℎ = 0.232 and a slope deviation of 7.70% for Δℎ and a distribution’s variation of peak = 0.174 Hz and slope deviation of 4.90% for the peak.Onofre, A.Torres-Forné, AlejandroUniversidade do MinhoNunes, Solange da Silva2023-06-062023-06-06T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/85334eng203323882info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:17:28Zoai:repositorium.sdum.uminho.pt:1822/85334Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:10:05.282929Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
Inferência com aprendizagem profunda de ondas gravitacionais de supernovas de colapso nuclear em rotação geradas numericamente
title Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
spellingShingle Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
Nunes, Solange da Silva
Classificação
Inferência de parametros
Ondas gravitacionais
Redes neuronais
Supernovas de colapso nuclear
Classification
Core-collapse supernovae
Gravitational waves
Neural networks
Parameter inference
Ciências Naturais::Ciências Físicas
title_short Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
title_full Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
title_fullStr Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
title_full_unstemmed Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
title_sort Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals
author Nunes, Solange da Silva
author_facet Nunes, Solange da Silva
author_role author
dc.contributor.none.fl_str_mv Onofre, A.
Torres-Forné, Alejandro
Universidade do Minho
dc.contributor.author.fl_str_mv Nunes, Solange da Silva
dc.subject.por.fl_str_mv Classificação
Inferência de parametros
Ondas gravitacionais
Redes neuronais
Supernovas de colapso nuclear
Classification
Core-collapse supernovae
Gravitational waves
Neural networks
Parameter inference
Ciências Naturais::Ciências Físicas
topic Classificação
Inferência de parametros
Ondas gravitacionais
Redes neuronais
Supernovas de colapso nuclear
Classification
Core-collapse supernovae
Gravitational waves
Neural networks
Parameter inference
Ciências Naturais::Ciências Físicas
description Dissertação de mestrado em Physics
publishDate 2023
dc.date.none.fl_str_mv 2023-06-06
2023-06-06T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/85334
url https://hdl.handle.net/1822/85334
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203323882
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132528583376896

Registros relacionados