RAISE: Deep Gravitational Wave Exploration, Instrumental Insights and Noise Removal Through Machine Learning

RAISE：深度引力波探索、仪器洞察和通过机器学习消除噪声

基本信息

批准号：
1740391
负责人：
Szabolcs Marka
金额：
$ 100万
依托单位：
Columbia University
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2017
资助国家：
美国
起止时间：
2017-07-01 至 2022-06-30
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1740391&HistoricalAwards=false
关键词：
RAISE Deep Gravitational Wave Exploration

项目摘要

This is a RAISE Award supported by the Office of Integrative Activities, the Signal Processing Systems program of the Division of Computing and Communications (CCF) of the Computer & Information Science & Engineering Directorate (CISE), the Office of Multidisciplinary Activities of the Mathematical and Physical Sciences Directorate (MPS) and the Gravitational Physics program of Physics Division in MPS. The recent discovery of gravitational waves from colliding black unveiled a new era of broad opportunities for studying the Cosmos. The coming years will bring about the proliferation of detections of black hole mergers as well as other sources of gravitational waves, including stellar explosions. For every discovery, there will be numerous weak gravitational wave signals buried in the detector noise that will be difficult to unearth. Gravitational-wave detectors are incredibly complex systems, where there are myriads of independent ways noise sources can interfere with the recorded data, occasionally producing curious data artifacts that are difficult to distinguish from gravitational waves. Machine learning is uniquely suited to make sense of this complexity, and disentangle data from the noise to broaden our horizon to detecting gravitational waves.The PIs will design machine-learning techniques to make sense of LIGO's 400,000 auxiliary data channels and identify patterns in detector behavior to enable the identification of cosmic signals in the midst of highly non-linear and non-Gaussian background noise. The PIs will research and use optimal strategies, including sparse regression and robust principal component analysis, to distinguish detector or environmental artifacts from astrophysical signals to discover gravitational waves that otherwise could have remained invisible.

这是综合活动办公室，计算机与信息科学与工程局（CISE），数学和物理科学局多学科活动办公室（MPS）的计算机与信息科学与工程局（CISE）的计算机和通信部（CCF）的信号处理系统计划（MPS）和MPS物理学部门的引力物理学计划。最近发现的引力波碰撞的黑色引力浪潮揭示了一个新的研究宇宙的新时代。未来几年将带来黑洞合并的检测以及其他引力波的探测，包括恒星爆炸。对于每一个发现，埋在检测器噪声中的较弱的重力波信号将很难发掘出来。引力波检测器是令人难以置信的复杂系统，其中有无数的独立方式可以干扰记录的数据，偶尔会产生很难与重力波区分的好奇数据伪像。机器学习非常适合理解这种复杂性，并且将数据从噪音中删除以扩大我们的视野来检测引力波。PIS将设计机器学习技术，以使Ligo的400,000个辅助数据通道和探测器行为中的模式识别噪声中的噪声中的噪声中，并在中等不合格的情况下识别探测器的标识。 PI将研究和使用最佳策略，包括稀疏回归和可靠的主成分分析，以区分探测器或环境伪像与天体物理信号，以发现否则可能仍然是看不见的引力波。

项目成果

期刊论文数量（7）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Generalized Approach to Matched Filtering using Neural Networks

DOI：
10.1103/physrevd.105.043006
发表时间：
2021-04
期刊：
ArXiv
影响因子：
0
作者：
Jingkai Yan;Mariam Avagyan;R. Colgan;D. Veske;I. Bartos;John N. Wright;Z. M'arka;S. M'arka
通讯作者：
Jingkai Yan;Mariam Avagyan;R. Colgan;D. Veske;I. Bartos;John N. Wright;Z. M'arka;S. M'arka

Architectural optimization and feature learning for high-dimensional time series datasets

高维时间序列数据集的架构优化和特征学习

DOI：
10.1103/physrevd.107.022009
发表时间：
2023
期刊：
Physical Review D
影响因子：
5
作者：
Colgan, Robert E.;Yan, Jingkai;Márka, Zsuzsa;Bartos, Imre;Márka, Szabolcs;Wright, John N.
通讯作者：
Wright, John N.

Complete Dictionary Learning via L4-Norm Maximization over the Orthogonal Group

通过正交群上的 L4 范数最大化完成字典学习