Contributions à l'analyse pour la recherche d'ondes gravitationnelles Bilan 1 ère année de thèse Vincent Germain 15 octobre 2015

Plan 2 Validation du pipeline MBTA avec des données simulées Suppression de bruits transitoires Quelles sources astrophysiques cherche-t-on ? L’instrument & les difficultés rencontrés Comment analyser les données ? Calibration : étude d’un bruit dans la mesure d’étalonnage des miroirs de l’interféromètre Virgo

Coalescences de Binaires Compactes (CBC) 3 2 étoiles à neutrons (BNS) 1 étoile à neutrons + 1 trou noir (NSBH) 2 trous noirs (BBH) Sources d’ondes gravitationnelles les plus prometteuses  Sources possibles de γ -ray burst (GRB) Crédits : NASA/Swift h ~ pour une source située à 100 Mpc  ΔL ~ m HzkHz BNS à 20 Mpc

Recherche de systèmes binaires en ligne 4 LIGO (H1 + L1) & Virgo (V1) : données en commun depuis 2007  Coïncidence : Estimer la position de la source Réduire le bruit (faux positifs) Analyse en ligne : soumet des candidats de Coalescence de Binaires Compactes  Alertes pour un suivi électromagnétique (EM)

L’expérience Virgo 5 Détection direct d’ondes gravitationnelles (GW) Virgo est un interféromètre laser de Michelson ayant deux bras de 3 km de long Ondes gravitationnelles  modification de la lumière reçue, en sortie de l’interféromètre, par les photodiodes Banc optique Suspensions

La sensibilité des détecteurs 6 aLIGO H1 aLIGO L1 Virgo est en phase d’amélioration  Advanced Virgo La sensibilité est limitée par des bruits gaussiens Environnement  Bruits transitoires (faux positifs) limitent la significativité d’un évènement Canal auxiliaire Canal sensible aux ondes gravitationnelles Fréquence [Hz] Densité Spectrale d’Amplitude [1/√(Hz)] Fréquence [Hz] Temps [s] Octobre 2015

Comment détecter des CBC ? 7 MBTA  Analyse sur 2 bandes de fréquence :  Moins de modèles par bandes de fréquence  Coût de calcul moins élevé X Données calibrées du détecteur Banque de templates (modèles) Spectre de puissance de bruit Rapport Signal sur Bruit (SNR) seuil Espace des masses couvert par la banque de templates Temps [s]

2 étoiles à neutrons (BNS) 8 Comment valider le pipeline MBTA ? Les MDCs (Mock Data Challenges) Bruit de fond “recoloré” : données prises précédemment, modifiées pour être similaire aux futurs données des détecteurs avancés Injections de signaux simulés d’ondes gravitationnelles 1 étoile à neutrons + 1 trou noir (NSBH) + Données analysées par MBTA Validation de MBTA  Détecter les injections les plus proches (détection plus probable)  Reconstruire les paramètres des injections  Distinguer injections & glitches (bruits transitoires) 2 trous noirs (BBH)

MDCs : Injections NSBH 9 MBTA : efficacité de la détection

10 Efficacité de détection avec la distance Distance élevée des injections  Amplitude décroit en 1/r Les spins sont alignés pour la banque de templates mais pas pour toutes les injections Ces 2 injections (< 100 Mpc) sont-elles manquées parce que la banque de templates n’est pas conçue pour les chercher ? s ≈ 12 jours

Spins non-alignés des injections :  Modulation de l’amplitude lors de la précession  Elles ne correspondent pas aux paramètres de la banque de templates  11 injections enlevées des MDCs (dont 2 proches non détectées) 11 Pourquoi 2 injections proches non détectées ? Injection avec des spins non-alignés NSBH Détecteur s ≈ 12 jours

MBTA : reconstruction des paramètres des sources 12 MDCs : Injections NSBH

13 Comparaison : reconstruits vs simulés Reconstruction de δt (différence de temps d’arrivée de l’onde gravitationnelle)  Estimation de la position de la source par le réseau de détecteurs

14 Taux de Fausses Alarmes (FAR) FAR : Estimation de la fréquence d’apparition d’un bruit transitoire au moins aussi fort que l’évènement observé Amélioration de la réjection des glitches  meilleur FAR Alertes  Suivi électromagnétique o Injections o Glitches 1/mois

15 MBTA : Amélioration de la réjection des glitches (faux positifs) MDCs : Injections BNS

16 Test de χ² implémenté dans MBTA Un test de χ² vérifie la cohérence du SNR entre les 2 bandes de fréquence Banque de template 1 seul template Évènement (injection ou glitch) SNR max(LF, HF) ≥ seuil local SNR global ≥ seuil global Test de χ² sur SNR LF & HF Coïncidence Candidat Les évènements qui réussissent le test de χ² ont une répartition de SNR équitable entre LF et HF test réussi : glitch inj test raté : glitch inj

m1 [M o ] 17 De nombreux bruits transitoires réussissent le test de χ² dans MBTA  besoin d’une nouvelle coupure de sélection : Injections vs Glitches Distribution du SNR dans différents templates de la banque pour chaque évènement  nouveau test #1 m1 [M o ] m2 [M o ] SNR Évènement déclenché par une injection m2 [M o ] Coupure #1 : distribution SNR vs Template Évènement déclenché par un glitch

18 Coupure #2 : évolution de SNR vs Temps 15 ms [S] A.U. 100 ms Évènement déclenché par une injection Évènement déclenché par un glitch

19 Efficacité du test #1 Injections de BNS sur s Évènements MBTA Coupure envisagée Le nouveau test #1 n’est pas discriminant pour les évènements à faible SNR (< 10) Test #1

20 Efficacité de la coupure #2 Évènements MBTAÉvènements MBTA + coupure #2 Injections de BNS sur s Coupure envisagée Le nouveau test #1 n’est pas discriminant pour les évènements à faible SNR (< 10) Le MFO shape cut (test #2) l’est  implémenté dans MBTA Étude des paramètres de coupures du MFO shape cut pour les injections de type NSBH Test #1

Processus d’analyse 21 Détecteurs (LIGO-Virgo) Données : bruit + signal Suppression de glitches MBTA Filtrage adapté Coupures FAR Suivi électromagnétique Candidats Coïncidence

Réduction du bruit de fond 22 Suppression de Bruits Transitoires (Glitches)

Motivation 23 Informations des détecteurs : canal h(t) (information GW) & des centaines de canaux auxiliaires pour monitorer l’interféromètre Quand il y a un bruit transitoire (glitch fort) dans un canal auxiliaire  Veto basé sur les canaux auxiliaires  Données h(t) ne sont pas analysées Meilleure méthode : enlever de h(t) les contributions de bruits transitoires prédites à partir des glitches dans les canaux auxiliaires  Veto  les données h(t) peuvent être analysées

Suppression de glitch : difficultés 24  Couplage non-linéaire : changement possible de bande de fréquence du bruit transitoire d’un canal auxiliaire à h(t) (up-conversion)  Orthogonal : la même information de bruit transitoire peut être dans plusieurs canaux auxiliaires  ne pas enlever plusieurs fois la même contribution  Sûr : éviter la suppression du véritable signal dans h(t) Exemple de suppression de bruits dans H1 avec un signal injecté à 179 Hz CWB - LIGO-G Avant Après Noisy line

25 Glitch dans V1:INJ_RFC_REFL_I 226 canaux auxiliaires utilisés 5% du glitch non modélisé Contribution des canaux Reconstruction du glitch Méthode développée : SilenteC Reconstruction linéaire + bi-linéaire : prend en compte les changements de fréquence d’un bruit entre un canal auxiliaire et h(t) Orthogonalité : pas de doublons de canaux auxiliaires sélectionnés  Estimateur Q de la contribution de chaque canal auxiliaire  Sûr : à tester ! Méthode développée dans Virgo pour les lignes spectrales Reconstruction Données Estimateur Q 70%

Détection : Les injections non détectées NSBH ont été expliquées Reconstruction : La reconstruction des paramètres des injections par MBTA est satisfaisante Coupures de sélection : Le test de χ² dans MBTA était bien ajusté  Le nouveau test #1 n’était pas assez performant sur les bruits transitoires à faible SNR Le nouveau test #2 (MFO shape cut) a été implémenté dans MBTA (plus efficace)  Tests sur injections NSBH L’analyse des NSBH par MBTA a été validé par une revue CBC (LIGO-Virgo)  Feu vert pour O1 Résumé : bilan de ma 1 ère année 26

Run O1 (H1 & L1) : en cours ! (fin en décembre 2015)  Données analysées en temps réel par MBTA Les méthodes de suppression de bruits transitoires :  Est-ce que la suppression de bruit est sûr ?  Comment appliquer cette méthode « en ligne » ? Commissioning de Virgo dans les prochains mois  SilenteC Virgo doit rejoindre LIGO pour le run O2 (2016) Futur : de O1 à O2 27

Merci !

Back-up 29

30 Une injection toute les ~ 1000 s :  NS : masse = [1, 3] M₀ & spin = [0, 0.05]  BH : masse = [2, 12] M₀ & spin = [0, ] Banque de templates (modèles) :  Limite bandes fréquences basse/haute à 120 Hz  Masse des objets individuels = [1, 12] M₀ & Mchirp < 5.0 M₀  Si M objet < 2 M₀  spin magnitude < 0.05  Si M objet ≥ 2 M₀  spin magnitude < 1 Analyse MBTA avec s de données recolorées Tests MDCs : NSBH

31 Tests MDCs : NSBH Distance vs Time Seulement 7 triggers dans ce cluster Les injections enlevées des MDCs S ┴ > 0.5 & |Sz|/ S tot 7 M₀ Spin perpendiculaire au moment orbital Spin aligné avec l’inclinaison du détecteur

32 Tests MDCs : NSBH Injection enlevée avec un spin perpendiculaire au moment orbital élevé (M BH > 7 M o ) Missed inj : dist = Mpc & Mchirp = 2.54 Mo m1 = Mo & m2 = 1.03 Mo Spin BH ‖ = & Spin NS ‖ = Spin BH ┴ = & Spin NS ┴ = Follow-up

33 Tests MDCs : NSBH Follow-up Found inj : dist = Mpc & Mchirp = 2.98 Mo m1 = 5.23 Mo & m2 = 2.32 Mo Spin BH ‖ = & Spin NS ‖ = Spin BH ┴ = & Spin NS ┴ = Injection conservée avec un spin perpendiculaire au moment orbital élevé (M BH < 7 M o )

Recouvrement des paramètres de masse par la banque de templates 34 Tests MDCs : NSBH Paramètres Cluster : regroupement de templates déclenchés avec un SNR > 5 Recouvrement des paramètres de spin par la banque de templates

SilenteC – Méthode Expansion en séries de Volterra : where Sous forme matricielle Fonction non-linéaire Modèle Matrice des regresseurs Vecteur des paramètres p i : x i  x n Modèle 35

36 Tests MDCs : coupures Phase Fraction du SNR² attendu Quadraturemax SNR

37 Tests MDCs : Injections vs Glitches

Dans les clusters, on regarde la distribution des triggers par le rapport SNR / SNRmax en fonction de la différence Mc SNRmax – Mc On effectue un ajustement de gaussienne : exp( -x² / (2*L²) )  1 paramètre libre : L (largeur) 38 Glitch Tests MDCs : Injections vs Glitches Injection L

39 Tests MDCs : Injections vs Glitches On obtient la largeur de la gaussienne pour l’ensemble des injections et des glitches On choisit L_FIT = On calcul un SNR théorique pour chaque trigger à partir de Mc SNRmax – Mc : SNR théorique = exp(-(Mc SNRmax – Mc)² / (2*L_FIT²)) 10 < SNR < < SNR < 10

On fait un test de χ² pour chaque cluster entre la valeur de SNR théorique et la valeur réelle Différence pour les évènements avec un SNR max > 10 mais pas si SNR max < 10  pas assez de triggers par cluster 40 Injection avec χ² / N trig ≈ 17.4 Glitch avec χ² / N trig ≈ Tests MDCs : Injections vs Glitches Glitch avec χ² / N trig ≈ 0.098