Prospects for reconstructing the gravitational-wave signals from core-collapse supernovae with Advanced LIGO-Virgo and the BayesWave algorithm
Notice bibliographique
Résumé
Our current understanding of the core-collapse supernova explosion mechanism is incomplete, with multiple viable models for how the initial shock wave might be energized enough to lead to a successful explosion. Detection of a gravitational-wave signal emitted in the initial few seconds after stellar core-collapse would provide unique and crucial insight into this process. With the Advanced LIGO and Advanced Virgo detectors expected to approach their design sensitivities soon, we could potentially detect this signal from a supernova within our galaxy. In anticipation of such a scenario, we study how well the BayesWave algorithm can recover the gravitational-wave signal from core-collapse supernova models in simulated advanced detector noise, and optimize its ability to accurately reconstruct the signal waveforms. We find that BayesWave can confidently reconstruct the signal from a range of supernova explosion models in Advanced LIGO-Virgo for network signal-to-noise ratios $\ensuremath{\gtrsim}30$, reaching maximum reconstruction accuracies of $\ensuremath{\sim}90%$ at $\mathrm{SNR}\ensuremath{\sim}100$. For low SNR signals that are not confidently recovered, our optimization efforts result in gains in reconstruction accuracy of up to 20%--40%, with typical gains of $\ensuremath{\sim}10%$.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».