Eestratètgies d'anàlisi de dades de senyals gravitacionals contínues amb aprenentatge automàtic

Abstract

[cat] Els recents avenços en l’astronomia d’ones gravitacionals han revolucionat la nostra exploració de l’Univers. Les col·laboracions LIGO-Virgo-KAGRA, han detectat més de 90 esdeveniments provinents de la fusió d’objectes compactes com forats negres i estels de neutrons. Més enllà d’aquests senyals transitoris, els models teòrics prediuen ones gravitacionals contínues (OC) emeses per estels de neutrons en rotació amb petites asimetries, com deformacions a la seva escorça. Aquests senyals ens poden donar informació sobre les propietats internes de l’estel, que són desconegudes degut a les condicions extremes en que s’hi troba la matèria. A més, ens peremtran estudiar la seva demografia a la galàxia i fer proves més restrictives de la Relativitat General. Detectar aquests senyals duradors suposa un repte computacional significatiu a causa del gran tamany de l’espai de paràmetres. Aquest treball explora l’ús d’aprenentatge automàtic per a la selecció de candidats, com a pas de post-processament en una cerca d’OC. Observam que aquests mètodes són capaços de detectar senyals per sobre del renou, però la seva sensibilitat es veu afectada a mesura que ens apropam a les amplituds més febles dels senyals realistes. La bona eficàcia d’aquests enfocaments sobre senyals de gran amplitud els fa prometedors en la identificació i reducció del renou, permetent així una millor discriminació dels senyals d’interès

[eng] Latest advances in gravitational wave astronomy have revolutionized our exploration of the Universe. The LIGO-Virgo-KAGRA collaborations have detected more than 90 events from the merger of compact objects like black holes and neutron stars. Beyond these transient signals, theoretical models predict continuous gravitational waves (CGWs) emitted by rotating neutron stars with small asymmetries, such as deformations in their crust. These signals can provide us with information about the internal properties of the star, which are unknown due to the extreme conditions in which the matter is found. Additionally, they will allow us to study their demographics in the galaxy and conduct more stringent tests of General Relativity. Detecting these long-lasting signals poses a significant computational challenge due to their large parameter space. This work explores the use of machine learning for candidate selection, as a post-processing step in a CGW search. We observe that these methods are capable of detecting signals above the noise, although the sensitivity degrades as we approach the amplitude of a realistic signal. The behavior of these approaches on high-amplitude signals makes them promising for noise identification and reduction, thus allowing for better discrimination of signals of interest

[spa] Los recientes avances en la astronomía de ondas gravitacionales han revolucionado nuestra exploración del Universo. Las colaboraciones LIGO-Virgo-KAGRA han detectado más de 90 eventos procedientes de la fusión de objetos compactos como agujeros negros y estrellas de neutrones. Más allá de estas señales transitorias, los modelos teóricos predicen ondas gravitacionales continuas (OC) emitidas por estrellas de neutrones en rotación con pequeñas asimetrías, como deformaciones en su corteza. Estas señales nos pueden proporcionar información sobre las propiedades internas de la estrella, que son desconocidas debido a las condiciones extremas en las que se encuentra la materia. Además, nos permitirán estudiar su demografía en la galaxia y realizar pruebas más restrictivas de la Relatividad General. Detectar estas señales de larga duración supone un reto computacional significativo debido al gran tamaño del espacio de parámetros. Este trabajo explora el uso de aprendizaje automático para la selección de candidatos, como un paso de post-procesamiento en una búsqueda de OC. Observamos que estos métodos son capaces de detectar señales por encima del ruido, aunque su sensibilidad se ve afectada a medida que nos acercamos a las amplitudes más débiles de las señales realistas. La buena eficacia de estos enfoques sobre señales de gran amplitud los hace prometedores en la identificación y reducción del ruido, permitiendo así una mejor discriminación de las señales de interés