Estudio de la sensibilidad de detección de ondas gravitacionales provenientes de sistemas binarios con masas subsolares

En esta tesis, se exploran diversos métodos para mejorar la sensibilidad de los detectores de ondas gravitacionales, con el objetivo de identificar eventos asociados a objetos de masas subsolares, tales como los agujeros negros primordiales. Estos agujeros negros, de especial interés en la cosmologí...

Full description

Autores:
Quiceno Ramos, Lucas Hernán
Tipo de recurso:
Fecha de publicación:
2024
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/48015
Acceso en línea:
https://hdl.handle.net/10495/48015
Palabra clave:
Estrellas de baja masa
Low mass stars
Ondas gravitacionales - Detección
Gravitational waves - Detection
Agujeros negros (Astronomía)
Black holes (Astronomy)
Materia oscura (Astronomía)
Dark matter (Astronomy)
Modelo estándar (Física nuclear)
Standard model (Nuclear physics)
Aprendizaje automático
Machine learning
Cosmología
Cosmology
Astrofísica
Astrophysics
http://id.loc.gov/authorities/subjects/sh97004926
http://id.loc.gov/authorities/subjects/sh2020010026
http://id.loc.gov/authorities/subjects/sh85014574
http://id.loc.gov/authorities/subjects/sh87007317
http://id.loc.gov/authorities/subjects/sh91002552
http://id.loc.gov/authorities/subjects/sh85079324
http://id.loc.gov/authorities/subjects/sh85033169
http://id.loc.gov/authorities/subjects/sh85009032
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
Description
Summary:En esta tesis, se exploran diversos métodos para mejorar la sensibilidad de los detectores de ondas gravitacionales, con el objetivo de identificar eventos asociados a objetos de masas subsolares, tales como los agujeros negros primordiales. Estos agujeros negros, de especial interés en la cosmología moderna, podrían representar una fracción significativa de la materia oscura en el universo y abrir nuevas ventanas de observación cosmológica. El trabajo se centra en analizar y optimizar los resultados de las pipelines de procesamiento de datos en los detectores de la colaboración LIGO, empleando técnicas de aprendizaje supervisado para clasificar y diferenciar eventos genuinos del ruido. La combinación de resultados de múltiples pipelines y la implementación de algoritmos de machine learning permiten aumentar la sensibilidad en la identificación de eventos en los que al menos uno de los objetos en colisión tenga masa subsolar. Esto resulta en una mejora en la eficiencia para detectar eventos de baja masa, disminuyendo la probabilidad de falsos positivos y aumentando la precisión en la detección de candidatos.