Investigating Deep Neural Networks for Gravitational Wave Evaluation with Deep Learning Ligo Data

论文摘要

自2016年2月在激光干涉引力波观测台(LIGO)首次探测到引力波以来,爱因斯坦的理论(E=MC2)是否属实以及引力波是否存在尚不明确[1,2]。人们对高度先进的光学和电子设备进行了大量投资,以建立巨大的探测器,以便探测并记录在此之前只在理论中存在的概念。LIGO探测器非常特殊,因为它们可以检测到质子尺寸1/1000的长度变化[3,4]。这些设备非常巨大,需要大量的财政和技术投资来达到这样的精度。我们分别评估了深度神经网络(DNN),卷积神经网络(CNN),时间卷积网络(TCN),门控循环单元(GRU)和长短期记忆网络(LSTM)这几个模型在嘈杂信号中区分出引力波的能力,其中接受到的嘈杂信号来自于LIGO探测器。高精度的引力波探测模型将有助于LIGO团队更快地对数据流记录中的引力波事件进行分类,并有助于缩短引力波的测量和探测之间的时间跨度[5]。这个减少的时间对于了解更多有关引力波的信息至关重要,因为望远镜和卫星(例如哈勃太空望远镜)需要时间来改变方向并准确定位引力波的来源,且在引力波的检测中节省的每秒可以用来记录数据。在研究过程中,我们发现时间卷积网络模型能够取得良好的效果,与D.George和E.A.Huerta[5]的原始卷积神经网络相比精确度更高。因此,引力波的探测所需的时间可以分成两部分,第一部分是训练好的模型(TCN或CNN)检测所需的时间,第二部分是LIGO的科学家们使用先进的信号处理方法对信号数据再次确认所需的时间。TCN和CNN之间的检测精度差距很大,TCN比CNN的精确度提高了14%,这减少了研究人员的错误检测,增加了调整望远镜以获取引力波事件详细的数据记录的时间。

论文目录

• 摘要
• ABSTRACT
• 第一章INTRODUCTION
•   1.1 Gravitational Waves（GW）
•     1.1.1 General Relativity
•     1.1.2 Design and Function of Detectors
•     1.1.3 Detection of GW150914 and Impact
•   1.2 LIGO Scientific Collaboration（LSC）
•     1.2.1 Organization
•     1.2.2 History of LCS
•     1.2.3 Current Detectors and Plant Detectors
•   1.3 Machine Learning
•     1.3.1 Deep Learning
•   1.4 Work and Contribution
• 第二章DATA PREPARATION
•   2.1 General Design of the Experiments
•     2.1.1 Training,Validation and Testing
•   2.2 Generation of Dataset
•     2.2.1 Generation of GW with Framework
•     2.2.2 Generation of Noise
•     2.2.3 Adjustment of SNR
• 第三章DEEP LEARNING ENGINEERING
•   3.1 Open Source Toolkits
•     3.1.1 TensorFlow
•     3.1.2 Keras
•     3.1.3 Scikit-Learn
•     3.1.4 Microsoft Cognitive Toolkit
•     3.1.5 Theano
•     3.1.6 Caffe
•     3.1.7 Torch
•     3.1.8 Accord.NET
•     3.1.9 Conclusion
•   3.2 Deep Neural Networks（DNN）
•     3.2.1 DNN Correlation to Human Brain
•     3.2.2 Basic Structure Neural Networks
•     3.2.3 Different Layers of Neural Networks
•     3.2.4 Architectures of Neural Networks
•     3.2.5 Feedforward Networks
•     3.2.6 Convolutional?Neural?Networks（CNN）
•     3.2.7 Recurrent?Neural?Networks（RNN）
•     3.2.8 Further Network Architectures
• 第四章GW DETECTION WITH NEURAL NETWORKS
•   4.1 Convolutional Neural Networks（CNN）
•     4.1.1 Implementation of CNN
•   4.2 Long Short-Term Memory（LSTM）
•     4.2.1 Implementation of LSTM
•   4.3 Gated Recurrent Units（GRU）
•     4.3.1 Implementation of GRU
•   4.4 Temporal Convolutional Networks（TCN）
•     4.4.1 Implementation of TCN
• 第五章RESULTS
•   5.1 Method for Comparing Different Models
•   5.2 Interpretation of the Results
• 第六章CONCLUSION
•   6.1 Summary
•   6.2 Prospect
•     6.2.1 Laser Interferometer Space Antenna（LISA）
• 参考文献
• 附录A
• 致谢
• 攻读硕士学位期间已发表或录用的论文

文章来源

类型: 硕士论文

作者: Alexander Schmitt

导师: 骆源

关键词: 深度学习,卷积神经网络,长短期记忆网络,门控循环单元,时间卷积网络,引力波,激光干涉引力波观测台

来源: 上海交通大学

年度: 2019

分类: 基础科学,信息科技

专业: 物理学,自动化技术

单位: 上海交通大学

分类号: O412.1;TP183

DOI: 10.27307/d.cnki.gsjtu.2019.002391

总页数: 61

文件大小: 3826K

下载量: 9