权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

RAISE: Deep Gravitational Wave Exploration, Instrumental Insights and Noise Removal Through Machine Learning

RAISE：深度引力波探索、仪器洞察和通过机器学习消除噪声

基本信息

批准号：
1740391
负责人：
Szabolcs Marka
金额：
$ 100万
依托单位：
Columbia University
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2017
资助国家：
美国
起止时间：
2017-07-01 至 2022-06-30
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1740391&HistoricalAwards=false
关键词：
RAISE Deep Gravitational Wave Exploration

项目摘要

This is a RAISE Award supported by the Office of Integrative Activities, the Signal Processing Systems program of the Division of Computing and Communications (CCF) of the Computer & Information Science & Engineering Directorate (CISE), the Office of Multidisciplinary Activities of the Mathematical and Physical Sciences Directorate (MPS) and the Gravitational Physics program of Physics Division in MPS. The recent discovery of gravitational waves from colliding black unveiled a new era of broad opportunities for studying the Cosmos. The coming years will bring about the proliferation of detections of black hole mergers as well as other sources of gravitational waves, including stellar explosions. For every discovery, there will be numerous weak gravitational wave signals buried in the detector noise that will be difficult to unearth. Gravitational-wave detectors are incredibly complex systems, where there are myriads of independent ways noise sources can interfere with the recorded data, occasionally producing curious data artifacts that are difficult to distinguish from gravitational waves. Machine learning is uniquely suited to make sense of this complexity, and disentangle data from the noise to broaden our horizon to detecting gravitational waves.The PIs will design machine-learning techniques to make sense of LIGO's 400,000 auxiliary data channels and identify patterns in detector behavior to enable the identification of cosmic signals in the midst of highly non-linear and non-Gaussian background noise. The PIs will research and use optimal strategies, including sparse regression and robust principal component analysis, to distinguish detector or environmental artifacts from astrophysical signals to discover gravitational waves that otherwise could have remained invisible.

这是一个由综合活动办公室，计算机信息科学工程局（CISE）计算和通信部（CCF）的信号处理系统计划，数学和物理科学局（MPS）多学科活动办公室和物理部的引力物理计划支持的RAISE奖。最近发现的引力波碰撞黑色揭开了一个新时代的广泛机会，研究宇宙。未来几年，黑洞合并以及其他引力波源（包括恒星爆炸）的探测将激增。对于每一个发现，都会有许多微弱的引力波信号被埋在探测器的噪音中，很难被挖掘出来。引力波探测器是一个非常复杂的系统，其中有无数种独立的方式可以干扰噪声源记录的数据，偶尔会产生奇怪的数据伪影，难以与引力波区分开来。机器学习非常适合理解这种复杂性，并将数据从噪声中分离出来，从而拓宽我们探测引力波的视野。PI将设计机器学习技术，以理解LIGO的40万个辅助数据通道，并识别探测器行为模式，从而能够在高度非线性和非高斯背景噪声中识别宇宙信号。PI将研究和使用最佳策略，包括稀疏回归和稳健的主成分分析，以区分探测器或环境伪影与天体物理信号，以发现引力波，否则可能会保持不可见。

项目成果

期刊论文数量（7）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Generalized Approach to Matched Filtering using Neural Networks

DOI：
10.1103/physrevd.105.043006
发表时间：
2021-04
期刊：
ArXiv
影响因子：
0
作者：
Jingkai Yan;Mariam Avagyan;R. Colgan;D. Veske;I. Bartos;John N. Wright;Z. M'arka;S. M'arka
通讯作者：
Jingkai Yan;Mariam Avagyan;R. Colgan;D. Veske;I. Bartos;John N. Wright;Z. M'arka;S. M'arka

Complete Dictionary Learning via L4-Norm Maximization over the Orthogonal Group

通过正交群上的 L4 范数最大化完成字典学习

DOI：
发表时间：
2020
期刊：
Journal of machine learning research
影响因子：
6
作者：
Zhai, Yuexiang;Yang, Zitong;Liao, Zhenyu;Wright, John;Ma, Yi
通讯作者：
Ma, Yi

Architectural optimization and feature learning for high-dimensional time series datasets

高维时间序列数据集的架构优化和特征学习

DOI：
10.1103/physrevd.107.022009
发表时间：
2023
期刊：
Physical Review D
影响因子：
5
作者：
Colgan, Robert E.;Yan, Jingkai;Márka, Zsuzsa;Bartos, Imre;Márka, Szabolcs;Wright, John N.
通讯作者：
Wright, John N.

Deep Networks Provably Classify Data on Curves