Finding the origin of noise transients in LIGO data with machine

This paper presents two machine learning methods, based on random forest and genetic programming algorithms, to determine the origin of non-astrophysical transients in LIGO detectors.
The methods can successfully identify the origin of noise transients in real interferometric data, assisting in the mitigation of instrumental and environmental disturbances in gravitational-wave searches.
These techniques are portable to any number of instruments with unknown sources of noise generated through mechanical couplings.

이 논문은 LIGO 감지기에서 비천물 전기 흐름 변동의 원점을 찾는 데 사용할 수 있는 두 가지 머신러닝 방법을 제시합니다.
이러한 방법은 실제 인터페어믈리티 데이터에서 노이즈 변동의 원점을 식별할 수 있습니다, 이를 통해 천물 흐름 검색에서 장비와 환경적 거짓 알람 률을 줄일 수 있습니다.
이러한 기술은 메커니컬 결합으로 발생한 원점이 불명확한 모든 감지기에 적용할 수 있습니다.
Technical Terms:
* Advanced LIGO (고급 LIGO): 고급 Laser Interferometer Gravitational-wave Observatory(LIGO)는 천물 흐름을 감지하기 위해 개발된 최신 인프라스트럭처입니다.
* Machine learning (머신러닝): 데이터를 학습하고 예측할 수 있는 자동화된 통계적 및 컴퓨팅 기법입니다.
* Genetic programming (유전 프로그래밍): 유전 알고리즘을 사용하여 새로운 프로그램을 생성하는 프로그래밍 방식입니다.
Related Papers or Resources:
* [1] Title: “LIGO Scientific Collaboration and Virgo: GW150914 – A Binary Black Hole of Likely Comparable Mass Observed with Advanced LIGO” (URL)
* [2] Title: “GW170817: A Gravitational-Wave Signal Associated with the Binary Neutron Star Merger LVC170817A” (URL)
* [3] Title: “Observation of Gravitational Waves from a Binary Black Hole Merger” (URL)

Finding the origin of noise transients in LIGO data with machine learning Marco Cavagli`a1, Kai Staats2, and Teerth Gill2 1Department of Physics and Astronomy, The University of Mississippi University MS 38677-1848, USA 2Department of Physics and Astronomy, Embry-Riddle University Prescott AZ 86301, USA December 14, 2018 Abstract Quality improvement of interferometric data collected by gravitational-wave detectors such as Advanced LIGO and Virgo is mission critical for the success of gravitational-wave astrophysics. Gravitational-wave detectors are sensitive to a variety of disturbances of non-astrophysical origin with characteristic frequencies in the instrument band of sensitivity. Removing non- astrophysical artifacts that corrupt the data stream is crucial for increasing the number and statistical significance of gravitational-wave detections and enabling refined astrophysical inter- pretations of the data. Machine learning has proved to be a powerful tool for analysis of massive quantities of complex data in astronomy and related fields of study. We present two machine learning methods, based on random forest and genetic programming algorithms, that can be used to determine the origin of non-astrophysical transients in the LIGO detectors. We use two classes of transients with known instrumental origin that were identified during the first observing run of Advanced LIGO to show that the algorithms can successfully identify the origin of non-astrophysical transients in real interferometric data and thus assist in the mitigation of instrumental and environmental disturbances in gravitational-wave searches. While the datasets described in this paper are specific to LIGO, and the exact procedures employed were unique to the same, the random forest and genetic programming code bases and means by which they were applied as a dual machine learning approach are completely portable to any number of instruments in which noise is believed to be generated through mechanical couplings, the source of which is not yet discovered. 1 Introduction On February 11th, 2016, scientists from the Laser Interferometer Gravitational-wave Observatory (LIGO) [1] Scientific Collaboration (LSC) and the European Virgo Collaboration [2] announced the first direct detection of gravitational waves from a coalescing pair of two stellar-mass black holes [3]. Detection of the GW150914 gravitational-wave signal, recorded at the LIGO sites in the morning of September 14th 2015, marks the beginning of a new observational era in astrophysics. Strong, dynamical relativistic gravitational fields can now be used to map the dark universe and probe fundamental physics. One hundred years after the formulation of general relativity, fifty years after the pioneering work of Joseph Weber, and several decades after the foundation of LIGO, gravitational-wave astrophysics is a reality. 1 arXiv:1812.05225v1 [physics.data-an] 13 Dec 2018 The next decade will see this new branch of scientific research expand to a mature field [4]. Since GW150914, another four gravitational-wave detections from binary black hole systems [5–8] and a detection from a binary neutron star system [9] were recorded in the data stream of the Ad- vanced LIGO and Virgo interferometers. More varied detections are anticipated in future LIGO and Virgo observation runs [10–12], spurring a plethora of astrophysical and theoretical investigations. KAGRA [13] and LIGO-India [14]…

기계 학습 Marco Cavagli`A1, Kai Staats2 및 Teerth Gill2 1의 물리학 및 천문학, 미시시피 대학교 MS 38677-1848, 미국 물리학 및 천문학, 천문학적, AZ 86301, 2018 년 12 월 14 일, 2018 년 14 일, 2018 년 14 일, 2018 년 14 일, 2018 년 14 일, 2018 년 10 월 14 일, 미국 218, ATCONTIC, ASTCOTT AZ 86301의 소음 과정에서 소음 과도 기원을 찾는다.
Advanced Ligo 및 Virgo와 같은 중력 파 탐지기에 의해 수집 된 것은 중력 천체 물리학의 성공을위한 미션 중요입니다.
중력 파 검출기는 민감도의 기기 대역에서 특징적인 주파수를 갖는 비 지방성 기원의 다양한 교란에 민감합니다.
데이터 스트림을 손상시킨 비 천체 물리적 아티팩트를 제거하는 것은 중력 파 탐지의 수와 통계적 의미를 높이고 데이터의 수정 된 천체 물리적 간질을 가능하게하는 데 중요합니다.
머신 러닝은 천문학 및 관련 연구 분야에서 방대한 양의 복잡한 데이터를 분석하기위한 강력한 도구로 입증되었습니다.
우리는 임의의 산림 및 유전자 프로그래밍 알고리즘을 기반으로 Ligo 탐지기에서 비 지방성 과도의 기원을 결정하는 데 사용할 수있는 두 가지 기계 학습 방법을 제시합니다.
우리는 알고리즘이 실제 간섭계 데이터에서 비 지방성 과도의 기원을 성공적으로 식별 할 수 있음을 보여주기 위해 최초의 고급 리고를 관찰하는 동안 식별 된 도구 기원을 가진 두 가지 종류의 과도를 사용하여 중력 검색에서 기기 및 환경 교란의 완화를 지원합니다.
이 백서에 설명 된 데이터 세트는 리고에 대한 특정이며, 정확한 절차는 동일하지만, 임의의 산림 및 유전자 프로그래밍 코드베이스 및 이중 기계 학습 접근법으로 적용되는 수단은 기계적 커플 링을 통해 소음이 생성되는 수많은 기기에 완전히 휴대 할 수 있습니다.
1 소개 2016 년 2 월 11 일, LIGO (Laser Interferomer Mavitational-Wave Observatory) [1] 과학 협력 (LSC)과 유럽 처녀 자리 협력 [2]의 과학자들은 두 개의 냄새가 나는 블랙 홀의 합산 쌍에서 중력 파를 직접 발견했다고 발표했다 [3].
2015 년 9 월 14 일 아침에 리고 사이트에서 기록 된 GW150914 중력파 신호의 탐지는 천체 물리학의 새로운 관찰 시대의 시작을 나타냅니다.
강력하고 역동적 인 상대 론적 중력 필드는 이제 다크 우주를 매핑하고 기본 물리학을 조사하는 데 사용될 수 있습니다.
일반 상대성 이론의 공식화 후 백년, 조셉 웨버 (Joseph Weber)의 선구적인 작업 이후 수십 년이 지난 후, 리고의 기초 이후 수십 년이 지난 지금, 중력파 천체 물리학은 현실입니다.
1 ARXIV : 1812.05225V1 [Physics.Data-an] 2018 년 12 월 13 일 다음 10 년은이 새로운 과학 연구 지점이 성숙한 분야로 확장 될 것입니다 [4].
GW150914 이후, 이진 블랙홀 시스템으로부터의 또 다른 4 개의 중력 파 검출 [5-8]과 이진 중성자 별 시스템 [9]으로부터의 검출이 Ad-Vanced Ligo 및 Virgo interferometers의 데이터 스트림에 기록되었다.
향후 리고 및 처녀 자리 관찰 실행에서 더 다양한 탐지가 예상되어 [10-12], 수많은 천체 물리적 및 이론적 조사가 발생합니다.
Kagra [13] 및 Ligo-India [14] …