logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-02072023-154347


Tipo di tesi
Tesi di laurea magistrale
Autore
VACATELLO, MICHELE
URN
etd-02072023-154347
Titolo
Machine learning methods for the classification of noise glitches in Advanced Virgo
Dipartimento
FISICA
Corso di studi
FISICA
Relatori
relatore Prof. Razzano, Massimiliano
Parole chiave
  • Advanced LIGO
  • Advanced Virgo
  • apprendimento automatico
  • detector characterization
  • glitches
  • gravitational waves
  • machine learning
  • onde gravitazionali
  • rumore transiente
  • transient noise
Data inizio appello
27/02/2023
Consultabilità
Non consultabile
Data di rilascio
27/02/2063
Riassunto
I rivelatori Advanced Virgo e Advanced LIGO sono interferometri di Michelson modificati, progettati per rilevare le onde gravitazionali. Tali rivelatori sono affetti da rumori di varia origine, che limitano la sensibilità ai segnali gravitazionali di origine astrofisica.

I glitch sono rumori di breve durata che possono influenzare la qualità dei dati e imitare i segnali astrofisici; è quindi estremamente importante caratterizzarli per comprenderne l'origine ed eliminarli. Un passo fondamentale in questo processo è l'identificazione delle varie classi in cui i glitch possono manifestarsi, classi che si pensa siano legate ai loro diversi meccanismi di produzione.

I glitch possono essere classificati in base alla morfologia che assumono in rappresentazioni a tempo vs frequenza chiamate spettrogrammi. Le reti neurali convoluzionali si sono dimostrate un ottimo strumento per la classificazione di dati 2D come gli spettrogrammi. In questo lavoro, le applichiamo a un primo studio sistematico dei dati di Advanced Virgo.

Abbiamo addestrato il nostro modello su un insieme di glitch di Advanced LIGO, che costituiscono il più ampio campione di glitch etichettati grazie al progetto di citizen science Gravity Spy. I dati dei glitch sono stati preprocessati, convertiti in spettrogrammi e forniti alla rete per costruire un primo modello basato sui dati di Advanced LIGO.

Successivamente, conduciamo un'analisi sistematica preliminare sui dati di Advanced Virgo della prima parte del run osservativo O3. Analizziamo le discrepanze tra le previsioni della nostra rete e un insieme di glitch già etichettati da Gravity Spy. Classifichiamo poi i glitch che non hanno ancora un'etichetta e ne studiamo la distribuzione e le proprietà.

Alla data di pubblicazione, questo lavoro costituisce uno dei primi tentativi di estendere questi studi a Advanced Virgo, un passo fondamentale verso una caratterizzazione sistematica in tempo reale dei glitch nei dati di Advanced Virgo.



The Advanced Virgo and Advanced LIGO detectors are modified Michelson interferometers designed to detect gravitational waves. Such detectors are affected by noise of various origins, that limit the sensitivity to gravitational signal of astrophysical origin.

Glitches are short duration noises that can affect data quality and mimic astrophysical signals, and it is therefore extremely important to characterize them to understand their origin and remove them. A key step in this process is the identification of the various classes in which glitches can manifest, classes that are thought to be linked to their different production mechanisms.

Glitches can be classified according to their morphology in time-frequency representations called spectrograms. Convolutional Neural Networks have been proven to be a great tool in the classification of 2D data such as spectrograms. In this work, we apply them to a first systematic study of Advanced Virgo data.

We trained our model on a set of Advanced LIGO glitches, which constitute the largest sample of glitches labeled thanks to the citizen science project Gravity Spy. Glitches data is preprocessed and converted into spectrograms and fed to the network to build a first model based on Advanced LIGO data.

Next, we conduct a preliminary systematic analysis on Advanced Virgo data from the first part of observing run O3. We investigate discrepancies between the predictions of our network and a set of glitches already labeled by Gravity Spy. We then classify glitches that still do not have labels and study their distribution and properties.

At the date of publication, this work constitutes one of the first attempts to extend these studies to Advanced Virgo, a key step toward a systematic realtime characterization of glitches in Advanced Virgo data.
File