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

Présentation au sujet: "Contributions à l'analyse pour la recherche d'ondes gravitationnelles Bilan 1 ère année de thèse Vincent Germain 15 octobre 2015."— Transcription de la présentation:

1

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

3 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

4 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 http://www.blackholehunter.org/index_fr.html h ~ 10 -23 pour une source située à 100 Mpc  ΔL ~ 10 -19 m HzkHz BNS à 20 Mpc

5 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)

6 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

7 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

8 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]

9 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)

10 MDCs : Injections NSBH 9 MBTA : efficacité de la détection

11 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 ? 1 000 000 s ≈ 12 jours

12 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 1 000 000 s ≈ 12 jours

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

14 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

15 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

16 15 MBTA : Amélioration de la réjection des glitches (faux positifs) MDCs : Injections BNS

17 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

18 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

19 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

20 19 Efficacité du test #1 Injections de BNS sur 1 000 000 s Évènements MBTA Coupure envisagée Le nouveau test #1 n’est pas discriminant pour les évènements à faible SNR (< 10) Test #1

21 20 Efficacité de la coupure #2 Évènements MBTAÉvènements MBTA + coupure #2 Injections de BNS sur 1 000 000 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

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

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

24 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

25 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-G1200125 Avant Après Noisy line

26 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%

27 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

28 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

29 Merci !

30 Back-up 29

31 30 Une injection toute les ~ 1000 s :  NS : masse = [1, 3] M₀ & spin = [0, 0.05]  BH : masse = [2, 12] M₀ & spin = [0, 0.9895] 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 1 000 000 s de données recolorées Tests MDCs : NSBH

32 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

33 32 Tests MDCs : NSBH Injection enlevée avec un spin perpendiculaire au moment orbital élevé (M BH > 7 M o ) Missed inj : dist = 64.51 Mpc & Mchirp = 2.54 Mo m1 = 10.39 Mo & m2 = 1.03 Mo Spin BH ‖ = 0.314 & Spin NS ‖ = 0.005 Spin BH ┴ = 0.592 & Spin NS ┴ = 0.025 Follow-up

34 33 Tests MDCs : NSBH Follow-up Found inj : dist = 53.12 Mpc & Mchirp = 2.98 Mo m1 = 5.23 Mo & m2 = 2.32 Mo Spin BH ‖ = 0.192 & Spin NS ‖ = -0.018 Spin BH ┴ = 0.608 & Spin NS ┴ = 0.030 Injection conservée avec un spin perpendiculaire au moment orbital élevé (M BH < 7 M o )

35 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

36 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

37 36 Tests MDCs : coupures Phase Fraction du SNR² attendu Quadraturemax SNR

38 37 Tests MDCs : Injections vs Glitches

39 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

40 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 = 0.005 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 < 500 5 < SNR < 10

41 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 ≈ 108.4 Tests MDCs : Injections vs Glitches Glitch avec χ² / N trig ≈ 0.098