Deep learning anomaly detector for numerical relativistic waveforms

Detalhes bibliográficos
Autor(a) principal: Pereira, Tibério Azevedo
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/52221
Resumo: A Astronomia de Ondas Gravitacionais é uma área emergente que vem revelando informações escondidas da Astrofísica e Cosmologia. O volume crescente de dados observacionais e de simulações da Relatividade Numérica promoveu diversas análises e modelagens de ondas gravitacionais de binários compactos. Em meio às abordagens, o Aprendizado de Máquina se tornou um grande suporte para impulsionar as pesquisas. Neste projeto, desenvolvemos um modelo de Aprendizado Profundo do tipo U-Net que detecta possíveis formas de ondas anômalas em um catálogo de Relatividade Numérica. Utilizamos simulações de binários de buracos negros com variadas razões de massas e spins. Neste conjunto de dados de formas de ondas de modos dominantes e modos altos, categorizamos sete tipos de anomalias diferentes durante os estágios de coalescência.
id UFRN_e2118b9da99245f77f5fdbedda48582f
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/52221
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Pereira, Tibério Azevedohttps://orcid.org/0000-0003-1856-6881http://lattes.cnpq.br/0492002594855025Medeiros, Leo Gouveahttp://lattes.cnpq.br/2797502202617114Casarini, LucianoSilva Júnior, RaimundoMarra, ValérioSturani, Riccardo2023-04-20T20:11:51Z2023-04-20T20:11:51Z2023-01-26PEREIRA, Tibério Azevedo. Deep learning anomaly detector for numerical relativistic waveforms. Orientador: Riccardo Sturani. 2023. 85f. Tese (Doutorado em Física) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2023.https://repositorio.ufrn.br/handle/123456789/52221A Astronomia de Ondas Gravitacionais é uma área emergente que vem revelando informações escondidas da Astrofísica e Cosmologia. O volume crescente de dados observacionais e de simulações da Relatividade Numérica promoveu diversas análises e modelagens de ondas gravitacionais de binários compactos. Em meio às abordagens, o Aprendizado de Máquina se tornou um grande suporte para impulsionar as pesquisas. Neste projeto, desenvolvemos um modelo de Aprendizado Profundo do tipo U-Net que detecta possíveis formas de ondas anômalas em um catálogo de Relatividade Numérica. Utilizamos simulações de binários de buracos negros com variadas razões de massas e spins. Neste conjunto de dados de formas de ondas de modos dominantes e modos altos, categorizamos sete tipos de anomalias diferentes durante os estágios de coalescência.Gravitational Wave Astronomy is an emerging field revealing hidden information from Astrophysics and Cosmology. The increasing volume of observational data and Numerical Relativity simulations has promoted several analyzes and modeling of compact binaries’ gravitational waves. Especially, Machine Learning has become a great support to boost research. In this project, we developed a U-Net Deep Learning model that detects possible anomalous waveforms in a Numerical Relativity catalog. We use binary black hole simulations with varying masses and spins. We categorized seven different anomaly types during the coalescence stages with a dataset of dominant and higher modes waveforms.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICAUFRNBrasilCNPQ::CIENCIAS EXATAS E DA TERRA::FISICAGravitational wavesDeep learningNumerical relativityDeep learning anomaly detector for numerical relativistic waveformsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALDeeplearninganomaly_Pereira_2023.pdfapplication/pdf2150431https://repositorio.ufrn.br/bitstream/123456789/52221/1/Deeplearninganomaly_Pereira_2023.pdf681de4e8aa99e1caf9c96631b3f4d951MD51123456789/522212023-04-20 17:12:31.336oai:https://repositorio.ufrn.br:123456789/52221Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2023-04-20T20:12:31Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Deep learning anomaly detector for numerical relativistic waveforms
title Deep learning anomaly detector for numerical relativistic waveforms
spellingShingle Deep learning anomaly detector for numerical relativistic waveforms
Pereira, Tibério Azevedo
CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
Gravitational waves
Deep learning
Numerical relativity
title_short Deep learning anomaly detector for numerical relativistic waveforms
title_full Deep learning anomaly detector for numerical relativistic waveforms
title_fullStr Deep learning anomaly detector for numerical relativistic waveforms
title_full_unstemmed Deep learning anomaly detector for numerical relativistic waveforms
title_sort Deep learning anomaly detector for numerical relativistic waveforms
author Pereira, Tibério Azevedo
author_facet Pereira, Tibério Azevedo
author_role author
dc.contributor.authorID.pt_BR.fl_str_mv https://orcid.org/0000-0003-1856-6881
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/0492002594855025
dc.contributor.referees1.none.fl_str_mv Medeiros, Leo Gouvea
dc.contributor.referees1Lattes.pt_BR.fl_str_mv http://lattes.cnpq.br/2797502202617114
dc.contributor.referees2.none.fl_str_mv Casarini, Luciano
dc.contributor.referees3.none.fl_str_mv Silva Júnior, Raimundo
dc.contributor.referees4.none.fl_str_mv Marra, Valério
dc.contributor.author.fl_str_mv Pereira, Tibério Azevedo
dc.contributor.advisor1.fl_str_mv Sturani, Riccardo
contributor_str_mv Sturani, Riccardo
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
topic CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
Gravitational waves
Deep learning
Numerical relativity
dc.subject.por.fl_str_mv Gravitational waves
Deep learning
Numerical relativity
description A Astronomia de Ondas Gravitacionais é uma área emergente que vem revelando informações escondidas da Astrofísica e Cosmologia. O volume crescente de dados observacionais e de simulações da Relatividade Numérica promoveu diversas análises e modelagens de ondas gravitacionais de binários compactos. Em meio às abordagens, o Aprendizado de Máquina se tornou um grande suporte para impulsionar as pesquisas. Neste projeto, desenvolvemos um modelo de Aprendizado Profundo do tipo U-Net que detecta possíveis formas de ondas anômalas em um catálogo de Relatividade Numérica. Utilizamos simulações de binários de buracos negros com variadas razões de massas e spins. Neste conjunto de dados de formas de ondas de modos dominantes e modos altos, categorizamos sete tipos de anomalias diferentes durante os estágios de coalescência.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-04-20T20:11:51Z
dc.date.available.fl_str_mv 2023-04-20T20:11:51Z
dc.date.issued.fl_str_mv 2023-01-26
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv PEREIRA, Tibério Azevedo. Deep learning anomaly detector for numerical relativistic waveforms. Orientador: Riccardo Sturani. 2023. 85f. Tese (Doutorado em Física) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2023.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/52221
identifier_str_mv PEREIRA, Tibério Azevedo. Deep learning anomaly detector for numerical relativistic waveforms. Orientador: Riccardo Sturani. 2023. 85f. Tese (Doutorado em Física) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2023.
url https://repositorio.ufrn.br/handle/123456789/52221
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.program.fl_str_mv PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstream/123456789/52221/1/Deeplearninganomaly_Pereira_2023.pdf
bitstream.checksum.fl_str_mv 681de4e8aa99e1caf9c96631b3f4d951
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv
_version_ 1814833069717192704

Registros relacionados