| dc.contributor | Sturani, Riccardo | |
| dc.contributor | https://orcid.org/0000-0003-1856-6881 | |
| dc.contributor | http://lattes.cnpq.br/0492002594855025 | |
| dc.contributor | Medeiros, Leo Gouvea | |
| dc.contributor | http://lattes.cnpq.br/2797502202617114 | |
| dc.contributor | Casarini, Luciano | |
| dc.contributor | Silva Júnior, Raimundo | |
| dc.contributor | Marra, Valério | |
| dc.creator | Pereira, Tibério Azevedo | |
| dc.date | 2023-04-20T20:11:51Z | |
| dc.date | 2023-04-20T20:11:51Z | |
| dc.date | 2023-01-26 | |
| dc.date.accessioned | 2023-09-04T14:08:59Z | |
| dc.date.available | 2023-09-04T14:08:59Z | |
| dc.identifier | PEREIRA, Tibério Azevedo. Deep learning anomaly detector for numerical relativistic waveforms. Orientador: Riccardo Sturani. 2023. 85f. Tese (Doutorado em Física) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2023. | |
| dc.identifier | https://repositorio.ufrn.br/handle/123456789/52221 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8603978 | |
| dc.description | Gravitational Wave Astronomy is an emerging field revealing hidden information
from Astrophysics and Cosmology. The increasing volume of observational data and
Numerical Relativity simulations has promoted several analyzes and modeling of compact
binaries’ gravitational waves. Especially, Machine Learning has become a great support
to boost research. In this project, we developed a U-Net Deep Learning model that
detects possible anomalous waveforms in a Numerical Relativity catalog. We use binary
black hole simulations with varying masses and spins. We categorized seven different
anomaly types during the coalescence stages with a dataset of dominant and higher
modes waveforms. | |
| dc.description | A Astronomia de Ondas Gravitacionais é uma área emergente que vem revelando
informações escondidas da Astrofísica e Cosmologia. O volume crescente de dados
observacionais e de simulações da Relatividade Numérica promoveu diversas análises e
modelagens de ondas gravitacionais de binários compactos. Em meio às abordagens, o
Aprendizado de Máquina se tornou um grande suporte para impulsionar as pesquisas.
Neste projeto, desenvolvemos um modelo de Aprendizado Profundo do tipo U-Net que
detecta possíveis formas de ondas anômalas em um catálogo de Relatividade Numérica.
Utilizamos simulações de binários de buracos negros com variadas razões de massas e
spins. Neste conjunto de dados de formas de ondas de modos dominantes e modos altos,
categorizamos sete tipos de anomalias diferentes durante os estágios de coalescência. | |
| dc.format | application/pdf | |
| dc.language | pt_BR | |
| dc.publisher | Universidade Federal do Rio Grande do Norte | |
| dc.publisher | Brasil | |
| dc.publisher | UFRN | |
| dc.publisher | PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA | |
| dc.rights | Acesso Aberto | |
| dc.subject | Gravitational waves | |
| dc.subject | Deep learning | |
| dc.subject | Numerical relativity | |
| dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA | |
| dc.title | Deep learning anomaly detector for numerical relativistic waveforms | |
| dc.type | doctoralThesis | |
