@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/ibi/8JMKD3MGP3W34R/3QM6QPP",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}