Enhancing Gravitational-Wave Science with Machine Learning - Archive ouverte HAL
Article Dans Une Revue Mach.Learn.Sci.Tech. Année : 2021

Enhancing Gravitational-Wave Science with Machine Learning

Elena Cuoco
  • Fonction : Auteur
Jade Powell
  • Fonction : Auteur
Marco Cavaglià
  • Fonction : Auteur
Kendall Ackley
  • Fonction : Auteur
Michał Bejger
Chayan Chatterjee
  • Fonction : Auteur
Michael Coughlin
  • Fonction : Auteur
Scott Coughlin
  • Fonction : Auteur
Paul Easter
  • Fonction : Auteur
Reed Essick
  • Fonction : Auteur
Hunter Gabbard
  • Fonction : Auteur
Timothy Gebhard
  • Fonction : Auteur
Shaon Ghosh
  • Fonction : Auteur
Alberto Iess
  • Fonction : Auteur
David Keitel
  • Fonction : Auteur
Zsuzsa Márka
  • Fonction : Auteur
Szabolcs Márka
  • Fonction : Auteur
Filip Morawski
  • Fonction : Auteur
Tri Nguyen
  • Fonction : Auteur
Rich Ormiston
  • Fonction : Auteur
Michael Pürrer
  • Fonction : Auteur
Massimiliano Razzano
  • Fonction : Auteur
Kai Staats
  • Fonction : Auteur
Gabriele Vajente
  • Fonction : Auteur
Daniel Williams
  • Fonction : Auteur

Résumé

Machine learning has emerged as a popular and powerful approach for solving problems in astrophysics. We review applications of machine learning techniques for the analysis of ground-based gravitational-wave detector data. Examples include techniques for improving the sensitivity of Advanced LIGO and Advanced Virgo gravitational-wave searches, methods for fast measurements of the astrophysical parameters of gravitational-wave sources, and algorithms for reduction and characterization of non-astrophysical detector noise. These applications demonstrate how machine learning techniques may be harnessed to enhance the science that is possible with current and future gravitational-wave detectors.

Dates et versions

hal-03122398 , version 1 (27-01-2021)

Identifiants

Citer

Elena Cuoco, Jade Powell, Marco Cavaglià, Kendall Ackley, Michał Bejger, et al.. Enhancing Gravitational-Wave Science with Machine Learning. Mach.Learn.Sci.Tech., 2021, 2 (1), pp.011002. ⟨10.1088/2632-2153/abb93a⟩. ⟨hal-03122398⟩
59 Consultations
0 Téléchargements

Altmetric

Partager

More