تخمین پارامترهای فیزیکی امواج گرانشی با استفاده از روش های یادگیری ماشینی

آشکارسازی امواج گرانشی توسط لایگو تاییدی بر یکی از پیش بینی‌های نسبیت عام بود. روش‌های آماری نوین مانند یادگیری ماشینی و یادگیری عمیق به ما کمک می‌کنند که مراحل آنالیز داده امواج گرانشی را در کمترین زمان ممکن انجام دهیم. در این پژوهش با استفاده از الگوریتم‌های یادگیری ماشینی و یادگیری عمیق نشان می‌دهیم چه میزان روش های آماری نوین به سرعت و دقت آنالیز داده‌های امواج گرانشی کمک می‌کند. برای این منظور داده‌های امواج گرانشی را شبیه‌سازی کردیم و پس از ارزیابی روش‌های مختلف، نتایج ما حاکی از آن است که روش جنگل تصادفی با خطای تقریبی 3.96، 27.93 و 37.15 ‌و با استفاده از پنجره‌ای به طول 7 ثانیه از داده، قابلیت اندازه‌گیری پارامترهای سیگنال را دارد.

Estimation of physical parameters of gravitational waves using machine learning

detection of gravitational waves of merger of binary compact objects by LIGO is an observational evidence to confirm Einstein General Relativity. Modern Statistical methods such as machine learning and deep learning are helpful for analyzing data in shorter period of time. In this paper, it was shown that how machine learning and deep leaning algorithms can increase speed and accuracy of data analyzing. In first step, we simulate gravitational waves data. After using different machine learning methods, we conclude that random forest can predict physical parameters of gravitational with relative errors 3.96, 27.93 and 37.15 percent for distance, mass of the heavier progenitor and the mass ratio respectively using data which has window with 7 seconds span.