评估与改善 LIGO 探测器占空比的新方法
天体物理仪器与方法
2020-08-10 v2 机器学习
数据分析、统计与概率
摘要
需要三个或更多引力波探测器同时获取数据，才能为引力波源（如 GW170817）生成定位良好的天图。局部地震扰动常导致 LIGO 与 Virgo 探测器的一个或多个组成光学腔失去光共振，受影响的探测器在恢复共振前无法获取数据。本文中，我们利用机器学习技术，深入了解第二次 LIGO-Virgo 观测运行期间 LIGO 探测器光学腔的预测行为。我们确定了捕获导致光共振丧失（即失锁）的干涉仪行为的最小光学腔控制信号与数据特征集。我们利用这些通道，通过监督与无监督机器学习方法，准确区分失锁事件与安静的干涉仪运行时段。该分析对 LIGO 探测器各组件如何导致失锁事件给出了新见解，可为探测器调试工作提供信息以减轻相关的运行时间损失。特别地，我们发现组件光学腔的状态比地面运动趋势更能预测失锁。我们报告了在失锁前即刻 98% 的预测准确率，以及失锁前长达 30 秒时 90% 的预测准确率，这表明该方法有望在近实时中应用以触发预防性的探测器状态改变。该方法可扩展至针对其他辅助子系统或感兴趣时段，如瞬态噪声或探测器灵敏度下降。这些技术在第三次及以后的 LIGO-Virgo 观测运行中的应用，将最大化全球探测器网络在引力波多信使天文学中的潜力。
引用
@article{arxiv.1910.12143,
title = {New methods to assess and improve LIGO detector duty cycle},
author = {Ayon Biswas and Jess McIver and Ashish Mahabal},
journal= {arXiv preprint arXiv:1910.12143},
year = {2020}
}