Robust data analysis methods in gravitational wave astronomy

Abstract

Gravitational Wave astronomy has made remarkable progress since the first detection of GW150914, with over 300 detections, to date. Future ground- and space-based observatories, including third-generation detectors (Einstein Telescope (ET), Cosmic Explorer (CE)) and missions like the Laser Interferometer Space Antenna (LISA), will achieve unprecedented sensitivity. However, these advancements introduce new challenges in data analysis, particularly due to non-Gaussian noise, transient glitches, and overlapping signals. This thesis addresses these challenges by developing a novel statistical framework based on heavy-tailed distributions to improve parameter estimation under noise uncertainties. The effectiveness of this framework is demonstrated through benchmarking on both synthetic and real data, with applications to the LISA Pathfinder (LPF) mission and Bayesian parameter estimation of Supermassive Black Hole Binaries (SMBHB)s, Binary Black Hole (BBH)s, and Ultra Compact Galactic Binaries (UCB)s. Additionally, the framework is applied to the detection of the Stochastic Gravitational-Wave Back- ground (SGWB) from astrophysical and cosmological sources, showcasing its robustness in handling non-Gaussian noise and non-stationary features. A key scientific application explored in this work is the post-merger phase of Binary Neutron Star (BNS) mergers. Using wavelet-based signal reconstruction, specifically the BayesWave pipeline, the detectability of rotational instabilities in BNS remnants is assessed. The results demonstrate the potential of future detectors (CE, ET, and a proposed 25-km interferometer) to probe neutron star physics through post-merger signals. This work introduces and compares two distinct statistical approaches for future Gravitational Wave (GW) data analysis, each tailored to different scientific goals. For post-merger signal analysis, the BayesWave pipeline is evaluated as a tool for signal reconstruction. From a broader data analysis perspective, a robust statistical framework based on heavy-tailed distributions is proposed to enhance signal reconstruction, improve noise estimation, and refine data characterization for a variety of sources.

Η αστρονομία των βαρυτικών κυμάτων έχει σημειώσει σημαντική ανάπτυξη, με πάνω από 300 ανιχνεύσεις, μέχρι σήμερα. Μελλοντικά επίγεια και διαστημικά παρατηρητήρια, συμπεριλαμβανομένων των ανιχνευτών τρίτης γενιάς και διαστημικών αποστολών όπως η LISA, θα βελτιώσουν την ευαισθησία, αλλά θα επιφέρουν και προκλήσεις στην ανάλυση δεδομένων, ιδιαίτερα λόγω μη-Γκαουσιανού θορύβου, παροδικών διαταραχών (τραντάγματα) και επικαλυπτόμενων σημάτων. Η παρούσα διατριβή αντιμετωπίζει αυτές τις προκλήσεις μέσω της ανάπτυξης ενός νέου στατιστικού πλαισίου βασισμένου στη Γενικευμένη Υπερβολική κατανομή, και ειδικότερα στην Υπερβολική κατανομή (H), με σκοπό τη βελτίωση της εκτίμησης παραμέτρων σε μη Γκαουσιανό θόρυβο. Η αποτελεσματικότητα αυτού του πλαισίου αποδεικνύεται μέσω συγκριτικών δοκιμών σε συνθετικά και πραγματικά δεδομένα, συμπεριλαμβανομένων εφαρμογών στην αποστολή LPF και στη Μπεϋζιανή εκτίμησηπαραμέτρων για διπλά συστήματα υπερμεγέθων αλλά και αστρικών μελών οπών, καθώς και υπερ-συμπαγή δυαδικά συστήματα (ανιχνεύσιμα από τον μελλοντικό ανιχνευτή LISA). Επιπλέον, το νέο αυτό στατιστικό πλαίσιο εφαρμόζεται στην ανίχνευση στοχαστικού βαρυτικού υποβάθρου, τόσο από αστροφυσικές όσο και από κοσμολογικές πηγές, αναδεικνύοντας την αποτελεσματικότητα αυτού του πλαισίου στη διαχείριση δεδομένων με χρονοεξαρτώμενο, μη-Γκαουσιανό θόρυβο. Τέλος, εξετάζεται μια σημαντική επιστημονική εφαρμογή που αφορά τα βαρυτικά κύματα που παράγονται μετά την συγχώνευση διπλών συστημάτων αστέρων νετρονίων. Η μελέτη αξιολογεί τη δυνατότητα ανίχνευσης περιστροφικών ασταθειώνστα κατάλοιπα των αστέρων νετρωνίων χρησιμοποιώντας ανακατασκευή βασισμένη σε κυματοπακέτα, και συγκεκριμένα τον αλγόριθμο BayesWave, από μελλοντικούς ανιχνευτές (όπως για παράδειγμα οι CE και ET και ενός προταθέντος συμβολόμε-τρο υψηλής συχνότητας μήκους 25 χιλιομέτρων) στη μελέτη της φυσικής των αστέρων νετρονίων. Συμπερασματικά, αυτή η εργασία διερευνά δύο διαφορετικά στατιστικά πλαίσια για την ανάλυση μελλοντικών δεδομένων από βαρυτικά κύματα, ανάλογα με τον επιδιωκόμενο στόχο. Για την αξιολόγηση σημάτων που παράγονται μετά τηνσυγχώνευση δύο αστέρων νετρονίων, προτείνεται μια συγκεκριμένη διαδικασία βασισμένη στη χρήση του αλγορίθμου BayesWave. Από την πλευρά της ανάλυσης δεδομένων, εισάγεται ένα νέο στατιστικό πλαίσιο βασισμένο σε κατανομές με μη-Γκαουσιανά άκρα, το οποίο βελτιώνει την ανακατασκευή σημάτων, διορθώνει την εκτίμηση θορύβου και παρέχει χαρακτηρισμό των δεδομένων, για μια ποικιλία πηγών.