Fechar
Metadados

@MastersThesis{Ferreira:2018:AnMuTr,
               author = "Ferreira, T{\'a}bata Aira",
                title = "An{\'a}lise multidimensional de transientes nos detectores LIGO",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2018",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2018-03-02",
             keywords = "ondas gravitacionais, LIGO, ru{\'{\i}}dos, an{\'a}lise de 
                         dados, machine learning, gravitational waves, glitches, data 
                         analysis, machine learning.",
             abstract = "As ondas gravitacionais podem ser definidas como 
                         oscila{\c{c}}{\~o}es ou perturba{\c{c}}{\~o}es no 
                         espa{\c{c}}o-tempo que viajam atrav{\'e}s dele pr{\'o}prio. 
                         Foram previstas por Albert Einstein em 1916 e, matematicamente, 
                         v{\^e}m da solu{\c{c}}{\~a}o das Equa{\c{c}}{\~o}es de Campo 
                         que est{\~a}o contidas na Teoria de Relatividade Geral. A 
                         primeira detec{\c{c}}{\~a}o direta aconteceu em 14 de setembro 
                         de 2015 e foi proveniente da coalesc{\^e}ncia de dois buracos 
                         negros, inaugurando a astronomia de ondas gravitacionais que pode, 
                         futuramente, mudar a maneira como entendemos o Universo e sua 
                         origem. As ondas gravitacionais t{\^e}m amplitudes muito pequenas 
                         e, por isso, seus detectores devem ser precisos e 
                         sens{\'{\i}}veis. O LIGO, experimento que realizou a primeira 
                         detec{\c{c}}{\~a}o, {\'e} composto por dois observat{\'o}rios 
                         e tem funcionamento baseado no interfer{\^o}metro de Michelson. 
                         Por ter uma alta sensibilidade, ru{\'{\i}}dos de origens 
                         instrumentais, ambientais e provenientes de atividades humanas 
                         sempre o atingem e para tentar controlar esses transientes e 
                         facilitar que os mesmos sejam eliminados do canal gravitacional, 
                         milhares de canais auxiliares (sensores) monitoram todo ambiente e 
                         instrumenta{\c{c}}{\~a}o do detector. A 
                         identifica{\c{c}}{\~a}o de todos os ru{\'{\i}}dos {\'e} muito 
                         importante, tanto que um subgrupo de trabalho do LIGO desenvolveu 
                         uma plataforma online (Gravity Spy) que classifica transientes de 
                         acordo com suas morfologias. Uma das grandes dificuldades {\'e} 
                         descobrir suas origens prim{\'a}rias, ou seja, as causas desses 
                         ru{\'{\i}}dos. Esse desafio motivou este trabalho que teve como 
                         objetivo caracterizar alguns grupos de ru{\'{\i}}dos aplicando o 
                         algoritmo t-distributed Stochastic Neighbor Embedding (t-SNE) que 
                         est{\'a} presente na t{\'e}cnica de Machine Learning e, 
                         consequentemente, dentro da Intelig{\^e}ncia Artificial. O 
                         algoritmo para caracteriza{\c{c}}{\~a}o dos ru{\'{\i}}dos foi 
                         adaptado para os dados do LIGO atrav{\'e}s do pacote 
                         scikit-learn, desenvolvido em Python. Para tal uso, separamos 
                         dados de grupos de transientes e criamos o que chamamos de 
                         glitchgramas, isto {\'e}, uma representa{\c{c}}{\~a}o da 
                         morfologia do ru{\'{\i}}do no tempo, frequ{\^e}ncia e 
                         raz{\~a}o sinal-ru{\'{\i}}do. Cada glitchgrama foi utilizado 
                         como entrada no algoritmo que separou de forma satisfat{\'o}ria 
                         os ru{\'{\i}}dos com morfologias semelhantes. O trabalho 
                         proposto futuramente {\'e} caracterizar mais grupos de 
                         ru{\'{\i}}dos e utilizar o aprendizado de m{\'a}quina para que 
                         o computador, ao receber um transiente aleat{\'o}rio, saiba fazer 
                         uma predi{\c{c}}{\~a}o de qual fonte de ru{\'{\i}}do se trata. 
                         Conhecendo-se bem cada grupo, poderemos analisar os 
                         ru{\'{\i}}dos e seus coincidentes nos canais auxiliares, 
                         organizar temporalmente e construir rede de conex{\~o}es entre as 
                         causas, canais auxiliares em que ocorrem e consequ{\^e}ncias de 
                         um determinado tipo de ru{\'{\i}}do. Com isso, encontraremos o 
                         caminho que cada um desses conjuntos de transientes percorre 
                         at{\'e} chegar ao canal gravitacional e descobriremos, 
                         consequentemente, sua origem e como ele afeta a sensibilidade do 
                         instrumento. Sabendo a origem desse ru{\'{\i}}do, poderemos 
                         sugerir melhorias e ajustes instrumentais para que menos sinais 
                         ruidosos apare{\c{c}}am no canal gravitacional, tornando sinais 
                         de ondas gravitacionais mais significantes, dando mais um impulso 
                         {\`a} astronomia de ondas gravitacionais. ABSTRACT: Gravitational 
                         waves can be defined as ripples in spacetime which travel through 
                         it. They were predicted by Albert Einstein in 1916 and, 
                         mathematically, come from the Field Equations solutions that are 
                         in General Relativity Theory. The first direct detection was on 
                         September 14, 2015 coming from two black holes coalescence, 
                         inaugurating the gravitational waves astronomy that may, in the 
                         future, change the way we understand the Universe and its origin. 
                         The gravitational waves have very small amplitudes, therefore, 
                         their detectors must be accurate and sensitive. LIGO, the 
                         experiment that detected the first event, is composed of two 
                         observatories and is based on the Michelson interferometer. 
                         Because LIGO has a high sensitivity, many different noises sources 
                         like instrumental, environmental and from human activities always 
                         hit it. In order to identify and control these noise sources and 
                         also remove their effects on gravitational wave searches thousands 
                         of auxiliary channels (sensors) monitor all environmental and 
                         instrumental conditions in both observatories. The identification 
                         of all noises is very important, so much that a LIGO working 
                         subgroup had developed an online platform (Gravity Spy) which 
                         classifies transients according to their morphologies. One of the 
                         great difficulties is to find out their primary origins, i.e, the 
                         transients causes. This challenge motivated this work that aimed 
                         to characterize some noise groups by t-distributed Stochastic 
                         Neighbor Embedding (t- SNE) algorithm which is present in the 
                         Machine Learning technique and, hence, present in the Artificial 
                         Intelligence. The algorithm for noise characterization was adapted 
                         to the LIGO data through the scikit-learn package, developed in 
                         Python. For this use, we separated data from groups of transients 
                         and created what we called glitchgrams, that is, a representation 
                         of noises morphologies in time, frequency and signal-to-noise 
                         ratio. Each glitchgram was used as input to the algorithm that 
                         satisfactorily separated noises with similar morphologies. The 
                         proposed work in the future is to characterize more transients 
                         groups and teach the machine to make a prediction and, when it 
                         receives a random transient, to be able to predict to which class 
                         such noise belongs. By knowing those groups, we will analyze 
                         auxiliary channels, organize temporally and create connection 
                         networks between causes, auxiliary channels and consequences of 
                         noises specific group. With that, we will define the pathway from 
                         which this kind of transient gets into the gravitational waves 
                         channel and, consequently, find out its origin. Once we know the 
                         transient origin, we can suggest instrumental improvements so less 
                         noisy signals would appear on the gravitational channel, making 
                         gravitational waves signals more significant, and giving an 
                         additional boost to the gravitational wave astronomy.",
            committee = "Aguiar, Odylio Denys de (presidente) and Costa, C{\'e}sar Augusto 
                         (orientador) and Jablonski, Francisco Jos{\'e} and Lenzi, 
                         C{\'e}sar Henirque",
         englishtitle = "Multivariate analysis of transients in LIGO auxiliary channels",
             language = "pt",
                pages = "94",
                  ibi = "8JMKD3MGP3W34R/3QM6QPP",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/3QM6QPP",
           targetfile = "publicacao.pdf",
        urlaccessdate = "04 dez. 2020"
}


Fechar