Μονάδα:
Κατεύθυνση ΑστροφυσικήΒιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2021-07-23
Συγγραφέας:
Θεοδωροπούλου Γεωργία
Στοιχεία επιβλεπόντων καθηγητών:
Θεοχάρης Αποστολάτος, Καθηγητής, Τμήμα Φυσικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
∆έσποινα Χατζηδηµητρίου, Αναπληρώτρια Καθηγήτρια, Τμήμα Φυσικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Στεργιούλας Νικόλαος, Καθηγητής, Τμήμα Φυσικής, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης
Πρωτότυπος Τίτλος:
Data Analysis of Real Gravitational Wave Signals
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Ανάλυση Δεδομένων σε Πραγματικά Σήματα Βαρυτικών Κυμάτων
Περίληψη:
Η εξαγωγή των ιδιοτήτων των μελανών οπών και των αστέρων νετρονίων είναι ένας βασικός επιστημονικός στόχος της Αστρονομίας Βαρυτικών Κυμάτων. Για να εξαγάγουμε όσο το δυνατόν περισσότερες πληροφορίες από παρατηρήσεις βαρυτικών κυμάτων, πρέπει να αναπτύξουμε μεθόδους για τη μείωση του κόστους της Bayesian inference. Σε αυτήν την εργασία, παρουσιάζουμε τον τρόπο δημιουργίας ενός surrogate μοντέλου στο πεδίο του χρόνου για ένα συμπαγές διπλό σύστημα μελανών οπών (BBH) χωρίς σπιν. Χρησιμοποιώντας τις γνώσεις που αποκτήθηκαν από αυτήν την εργασία, στοχεύουμε στη συνέχεια στη δημιουργία ενός surrogate μοντέλου για την περιγραφή συμπαγών συστημάτων, που μαζί με τη χρήση τεχνητών νευρωνικών δικτύων (ANNs) και την αξιοποίηση των μονάδων επεξεργασίας γραφικών (GPU) αναμένεται να βελτιστοποιήσουν την μέθοδο surrogate modelling παράγοντας αρκετά πιο αποδοτικές υπολογιστικά, εκδόσεις των ήδη υπαρχόντων μοντέλων.
Ερευνούμε έναν εκφυλισμό του χώρου παραμέτρων των σπιν που επιτρέπει να υποθέσουμε την ύπαρξη υποκείμενων δομών στους εμπειρικούς συντελεστές παρεμβολής (EIM). Η εισαγωγή μιας νέας παραμέτρου που χρησιμοποιείται για τη δειγματοληψία του χώρου παραμέτρων θα μειώσει κατ’ ουσίαν το πρόβλημα από 3D σε 2D, γεγονός το οποίο αναμένεται να βελτιώσει σημαντικά την υπολογιστική απόδοση και την χρηστικότητα των surrogate μοντέλων. Οι βελτιωμένες τεχνικές surrogate modelling με τη χρήση τεχνητών νευρωνικών δικτύων μπορούν να αυξήσουν δραστικά την υπολογιστική απόδοση της Bayesian εκτίμησης παραμέτρων και να αποδειχθούν εξαιρετικά χρήσιμες στη μελλοντική εποχή των γήινων, αλλά και διαστημικών ανιχνευτών (π.χ. LISA). Επιπλέον, δημιουργούμε ένα μοντέλο εκτίμησης παραμέτρων (PE) για την ανάκτηση της εναπομείνασας μάζας και σπιν ενός συμπαγούς συστήματος μελανών οπών που παρέχει ακρίβεια της τάξης 0,8% και 1% στην εξαγωγή των ζητούμενων παραμέτρων, αντίστοιχα. Τέλος, έχουμε λάβει κάποια πρώτα εμπειρικά αποτελέσματα όσον αφορά στους
συντελεστές παραμετροποίησης ενός μοντέλου για την περιγραφή της φάσης της συγχώνευσης.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
βαρυτικά κύματα, ανάλυση δεδομένων, μαύρες τρύπες
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
39
