Информационно-энтропийное обнаружение сигналов гравитационных волн

Авторы

  • З.Ж. Жанабаев
  • Н.М. Усипов

DOI:

https://doi.org/10.31489/2023No2/79-86

Ключевые слова:

гравитационные волны, информация-энтропия, обнаружение сигналов, нелинейный процесс

Аннотация

Обнаружение гравитационных волн GW от пары сливающихся черных дыр ознаменовало начало эры GW-астрономии. Традиционно для извлечения сигналов GW из экспериментальных данных научные коллективы используют стандартный метод согласованной фильтрации. Используются существующие шаблоны сигналов, что затрудняет поиск сигналов GW, выходящих за рамки теоретических ожиданий. Более того, вычислительная стоимость согласованного фильтра очень высока, так как зависит от количества используемых шаблонов. В данной статье мы предлагаем новый информационно-энтропийный метод обнаружения GW, не требующий теоретического банка шаблонов сигналов. Чтобы продемонстрировать надежность нашего метода, мы провели анализ с использованием смоделированных и реальных данных. В ходе этого исследования мы установили, что наша мера условной информации обнаруживает сигналы GW и может использоваться вместе с методом согласованной фильтрации.

Библиографические ссылки

Abbott Benjamin P., et al. Observation of gravitational waves from a binary black hole merger. Physical review letters, 2016, 116.6: 061102. doi:10.1103/PhysRevLett.116.061102

Scientific L.I.G.O., et al. GW170104: observation of a 50-solar-mass binary black hole coalescence at redshift 0.2. Physical review letters, 2017, 118.22, 221101. doi:10.1103/PhysRevLett.118.221101

Abbott Benjamin P., et al. GW170608: observation of a 19 solar-mass binary black hole coalescence. The Astrophysical Journal Letters, 2017, 851.2, L35. doi: 10.3847/2041-8213/aa9f0c

Abbott Benjamin P., et al. GW170817: observation of gravitational waves from a binary neutron star inspiral." Physical review letters, 2017, 119.16, 161101. doi: 10.1103/PhysRevLett.119.161101

Abbott Benjamin P., et al. GW170814: a three-detector observation of gravitational waves from a binary black hole coalescence. Physical review letters, 2017, 119.14, 141101. doi: 10.1103/PhysRevLett.119.141101

Abbott R., et al. GWTC-3: compact binary coalescences observed by LIGO and Virgo during the second part of the third observing run. arXiv preprint arXiv:2111.03606 (2021). doi: 10.48550/arXiv.2111.03606

Arnaud Nicolas. LIGO and Virgo detector characterization and data quality: Contributions to the O3 run and preparation for O4. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2023, 1048, 167945. doi: 10.1016/j.nima.2022.167945

Razzano Massimiliano, et al. GWitchHunters: Machine learning and citizen science to improve the performance of gravitational wave detector. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2023, 1048, 167959. doi: 10.1016/j.nima.2022.167959

Schäfer Marlin B., et al. Training strategies for deep learning gravitational-wave searches. Physical Review D, 2022, 105.4, 043002. doi: 10.1103/PhysRevD.105.043002

Xia H., Shao L., Zhao J., Cao Z. Improved deep learning techniques in gravitational-wave data analysis. Physical Review D, 2021, 103(2), 024040. doi: 10.1103/PhysRevD.103.024040

Gabbard Hunter, et al. Matching matched filtering with deep networks for gravitational-wave astronomy. Physical review letters, 2018, 120.14, 141103. doi: 10.1103/PhysRevLett.120.141103

Aveiro João, et al. Identification of binary neutron star mergers in gravitational-wave data using object-detection machine learning models. Physical Review D, 2022, 106.8, 084059. doi 10.1103/PhysRevD.106.084059

Zhang Zhen, et al. Modulation signal recognition based on information entropy and ensemble learning. Entropy, 2018, 20.3, 198. doi: 10.3390/e20030198

Wang, Hui, et al. A new method of cognitive signal recognition based on hybrid information entropy and DS evidence theory. Mobile Networks and Applications, 2018, 23, 677-685. doi: 10.1007/s11036-018-1000-8

Li Han, Yanzhu Hu, Song Wang. A novel blind signal detector based on the entropy of the power spectrum subband energy ratio. Entropy, 2021, 23.4, 448. doi: 10.3390/e23040448

Kraskov A., Stögbauer H., Grassberger P. Estimating mutual information. Physical review, 2004, E 69.6, 066138. doi: 10.1103/PhysRevE.69.066138

Li Wentian. Mutual information functions versus correlation functions. Journal of statistical physics, 1990, 60, 823-837. doi: 10.1007/BF01025996

Jun Xie, et al. Conditional entropy based classifier chains for multi-label classification. Neurocomputing, 2019, 335, 185-194. doi: 10.1016/j.neucom.2019.01.039

Gu Rongbao. Multiscale Shannon entropy and its application in the stock market. Physica A: Statistical Mechanics and its Applications, 2017, 484, 215-224. doi: 10.1016/j.physa.2017.04.164

Liu Jerry, et al. Conditional entropy coding for efficient video compression. Computer Vision–ECCV 2020: 16th European Conference, Glasgow, UK, August 23–28, 2020, Proceedings, Part XVII. Cham: Springer International Publishing, 2020. doi: 10.1007/978-3-030-58520-4_27

Mentzer Fabian, et al. Conditional probability models for deep image compression. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018. doi: 10.48550/arXiv.1801.04260

Holodinsky Jessalyn K., et al. Drip and ship versus direct to endovascular thrombectomy: the impact of treatment times on transport decision-making. European Stroke Journal, 2018, 3.2, 126-135. doi: 10.1177/2396987318759362

Ackerman Nathanael L., Cameron E. Freer, Daniel M. Roy. On the computability of conditional probability. Journal of the ACM (JACM), 2019, 66.3, 1-40. doi: 10.1145/3321699

Berlin S. Jeba, Mala John. Spiking neural network based on joint entropy of optical flow features for human action recognition. The Visual Computer, 2022, 38.1, 223-237. doi: 10.1007/s00371-020-02012-2

Zhang Gengxi, et al. Modeling NDVI using Joint Entropy method considering hydro-meteorological driving factors in the middle reaches of Hei river basin. Entropy, 2017, 19.9, 502. doi: 10.3390/e19090502

Safarihamid Kimia, Alireza Pourafzal, Alireza Fereidunian. A joint-entropy approach to time-series classification. 2021 7th International Conference on Signal Processing and Intelligent Systems (ICSPIS). IEEE, 2021. doi: 10.1109/ICSPIS54653.2021.9729371

itz A.H., Harry I.W., Willis J.L., Biwer C.M., Brown D.A., Pekowsky L.P., Dal Canton T., Williamson A.R., Dent T., Capano C.D., et al. Pycbc software, GitHub repository, 2017.

Abbott Benjamin P., et al. GW151226: observation of gravitational waves from a 22-solar-mass binary black hole coalescence. Physical review letters, 2016, 116.24, 241103. doi: 10.1103/PhysRevLett.116.241103

Загрузки

Опубликован

2023-07-10

Как цитировать

Жанабаев Z., & Усипов N. (2023). Информационно-энтропийное обнаружение сигналов гравитационных волн. Eurasian Physical Technical Journal, 20(2(44), 79–86. https://doi.org/10.31489/2023No2/79-86

Выпуск

Раздел

Инженерия (техническая физика)

Похожие статьи

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.