ترجمه فارسی مقاله GWSkyNet II: خط لوله یادگیری ماشینی تصفیه شده برای طبقه بندی بیدرنگ هشدارهای امواج گرانشی عمومی

چکیده

Electromagnetic follow-up observations of gravitational wave events offer critical insights and provide significant scientific gain from this new class of astrophysical transients. Accurate identification of gravitational wave candidates and rapid release of sky localization information are crucial for the success of these electromagnetic follow-up observations. However, searches for gravitational wave candidates in real time suffer a non-negligible false alarm rate. By leveraging the sky localization information and other metadata associated with gravitational wave candidates, GWSkyNet, a machine learning classifier developed by Cabero et al. (2020), demonstrated promising accuracy for the identification of the origin of event candidates. We improve the performance of the classifier for LIGO-Virgo-KAGRA’s fourth observing run by reviewing and updating the architecture and features used as inputs by the algorithm. We also retrain and fine-tune the classifier with data from the third observing run. To improve the prospect of electromagnetic follow-up observations, we incorporate GWSkyNet into LIGO-Virgo-KAGRA’s low-latency infrastructure as an automatic pipeline for the evaluation of gravitational wave alerts in real time. We test the readiness of the algorithm on a LIGO-Virgo-KAGRA mock data challenge campaign. The results show that by thresholding on the GWSkyNet score, noise masquerading as astrophysical sources can be rejected efficiently and the majority of true astrophysical signals correctly identified.

چکیده به فارسی (ترجمه ماشینی)

مشاهدات پیگیری الکترومغناطیسی از وقایع موج گرانشی ، بینش های مهمی را ارائه می دهد و سود علمی قابل توجهی از این طبقه جدید از گذرگاه های اخترفیزیکی ارائه می دهد.شناسایی دقیق نامزدهای موج گرانشی و انتشار سریع اطلاعات بومی سازی آسمان برای موفقیت این مشاهدات پیگیری الکترومغناطیسی بسیار مهم است.با این حال ، جستجو برای نامزدهای موج گرانشی در زمان واقعی از زنگ هشدار کاذب غیر قابل تبعیض رنج می برد.Gwskynet ، یک طبقه بندی کننده یادگیری ماشین که توسط Cabero و همکاران ساخته شده است ، با استفاده از اطلاعات محلی سازی آسمان و سایر ابرداده های مرتبط با نامزدهای موج گرانشی ، Gwskynet ، طبقه بندی کننده یادگیری ماشین.(2020) ، صحت امیدوارکننده برای شناسایی منشأ نامزدهای رویداد را نشان داد.ما عملکرد طبقه بندی کننده را برای مشاهده چهارم Ligo-Virgo-Kagra با بررسی و به روزرسانی معماری و ویژگی های مورد استفاده به عنوان ورودی توسط الگوریتم بهبود می بخشیم.ما همچنین طبقه بندی کننده را با داده های سومین رعایت رعایت مجدد تنظیم و تنظیم می کنیم.برای بهبود چشم انداز مشاهدات پیگیری الکترومغناطیسی ، ما GWSKYNET را در زیرساخت های کم تأخیر لیگو-ویرگو-کاگرا به عنوان یک خط لوله اتوماتیک برای ارزیابی هشدارهای موج گرانشی در زمان واقعی قرار می دهیم.ما آمادگی الگوریتم را در کمپین چالش داده های مسخره Ligo-Virgo-Kagra آزمایش می کنیم.نتایج نشان می دهد که با آستانه در نمره GWSKYNET ، سر و صدای سر و صدا به عنوان منابع اخترفیزیکی می تواند به طور مؤثر رد شود و اکثر سیگنال های اخترفیزیکی واقعی به درستی مشخص می شوند.