BayesWave:用于引力波爆发和仪器故障的贝叶斯推断
通过引入解释性机器学习技术,研究黑洞合并事件的监测与探测,使用先进 LIGO 数据对机器学习模型进行可视化分析,从而研究其局部和全局特征并发现分支结构对噪音特性的影响。该研究为解释性机器学习模型的设计提供了新思路。
Feb, 2022
本文提出了一种基于检测异常的 GW 数据研究的替代方法,通过对二进制黑洞系统合并所发出的 GW 进行异常检测,并包括来自 LIGO/Virgo 数据集中的干扰。
Mar, 2021
本文主要介绍贝叶斯推理的层次模型和超参数,为包括初学者和资深人士在内的广泛观众提供有用的见解,并从引力波天文学领域进行案例说明。全文涵盖了似然函数、先验、后验、贝叶斯证据、贝叶斯因子、资料比等内容及其应用,最后将形式主义泛化为讨论超参数和层次模型并提供相关附录。
Sep, 2018
2015 年 9 月 14 日,Advanced LIGO 探测器观测到了一个引力波信号,来自一个黑洞双星系统。本研究主要围绕研究该事件,使用瞬态噪声背景来确定其重要性,并调查了事件发生期间探测器中潜在的相关或不相关的瞬态噪声源,除此以外,我们排除了环境影响和非高斯仪器噪声是引起观测到的引力波信号的根源。
Feb, 2016
本文介绍了用于小型双星信号贝叶斯参数估计的 LALInference 软件库,并展示其在三个不同的双星系统上的实际效果。
Sep, 2014
本文提出了两种新的机器学习和深度学习集成方法(即 ShallowWaves 和 DeepWaves 集成),用于检测引力波观测所得数据集中的不同类型的噪声和模式。我们的研究还探讨了多类别分类的各种机器学习和深度学习技术,并提供了一个综合基准,重点关注三个常用性能指标(准确率、精确率和召回率)方面的最佳结果。我们在由先进激光干涉型引力波观测台(LIGO)收集的现实世界数据的标注时间序列数据集上训练和测试我们的模型。我们以经验为基础证明了提出的 DeepWaves 集成的最佳整体准确性,并紧随其后的是 ShallowWaves 集成。
Nov, 2023
本文提出一种并行化体系结构,使用引力波数据和波形模型估计紧凑二进制合并参数,通过球形谐波模式分解来将波形表达为取决于固有参数的模的总和,并通过固定固有参数的模来预先筛选数据,并使用 Monte Carlo 积分策略整合所有外在参数,从而高效评估通用源位置和方向的可能性,独立于波形长度或产生时间。
Feb, 2015
我们提出了一种自动方法,从数据中发现引力波事件的解析人口模型。我们证明了符号回归可以补充灵活模型,将这些灵活模型的后验预测分布蒸馏为可解释的解析表达式,从而恢复了常见的引力波人口模型,并发现了一种新的经验人口模型,这种方法可能适用于其他天体物理现象。
Jul, 2022
本文提出了一种用于检测和重构引力波瞬变的方法,该方法利用先进探测器网络,通过改进的算法增强了电磁跟踪的低延迟搜索和广泛范围瞬变引力波源的可靠检测。该方法包括核心分析算法、引力波极化的重构等,极化测量可以实现快速重建引力波波形、定位天空和帮助确定源的起源。
Nov, 2015