The first direct detections of gravitational waves from merging black holes and neutron starsstarted the era of gravitational-wave astronomy. Since then, observing merging compact objectshas become routine. Other exciting sources still remain undetected.Rapidly-rotating neutron stars are predicted to emit weak, long-lasting quasi-monochromaticwaves called continuous gravitational waves (CWs). In the current detector generation, advancedLIGO and Virgo, various noise sources create far more signal output than a potential CW signal.CW data analysis tries to overcome the weakness of the signals by integrating over long stretchesof data. Analyzing large amounts of data usually corresponds to large computing cost. For thatreason, CW searches for signals from unknown neutron stars are limited in their sensitivity bycomputational cost.This thesis is concerned with estimating and improving the sensitivity of continuous gravita-tional wave searches. The first main research work presented in this thesis is a new sensitivityestimator that can swiftly and accurately predict the sensitivity of a CW search before it isstarted. This makes optimizing the search algorithms and therefore improving the sensitivityeasier. The accuracy of the estimator is studied by applying it to many different CW searches.The work is expanded with an extensive sensitivity review of past CW searches by calculatingtheir sensitivity depth.The second main part of this thesis is the development of a new CW search method based ondeep neural networks (DNNs). DNNs are extremely fast once trained and therefore might presentan interesting possibility of circumventing the computational limitations and creating a moresensitive CW search. In this thesis such a DNN CW search is developed first as a single-detectorsearch for signals from all over the sky and then expanded to a multi-detector all-sky searchand to directed multi-detector searches for signals from a single position in the sky. The DNNs’performance is compared to coherent matched-filtering searches in terms of detection probabilityat fixed false-alarm level first on idealized Gaussian noise and then on realistic LIGO detectornoise. This thesis finds that the DNNs show a lot of potential: For short timespans of about oneday the networks only lose a few percent in sensitivity depth compared to coherent matched-filtering. For longer timespans the networks’ performance gradually deteriorates making furtherresearch necessary. As an outlook to future research, this thesis proposes the combination ofshort-timespan network outputs, similar to semi-coherent matched-filtering, as a DNN searchmethod over longer timespans.
Die ersten direkten Detektionen von Gravitationswellen von verschmelzenden Schwarzen Löchernund Neutronensternen haben die Ära der Gravitationswellenastronomie eingeläutet. Seitdemist die Beobachtung von verschmelzenden kompakten Objekten zur Routine geworden. Andereinteressante Quellen von Gravitationswellen sind jedoch noch unentdeckt.Schnell rotierende Neutronensterne können schwache, langanhaltende quasi-monochromatischeWellen aussenden, genannt Kontinuierliche Gravitationswellen (engl.: continuous waves CWs).In der aktuellen Detektorgeneration, advanced LIGO und Virgo, wird mehr Detektoroutputdurch diverse Rauschquellen erzeugt als durch potenzielle CW Signale. Die Datenanalyse fürCWs versucht die Schwäche der Signale zu überwinden, indem die Daten über lange Zeitspan-nen integriert werden. Große Mengen von Daten zu analysieren ist jedoch für gewöhnlich mitgroßen Ansprüchen an die Rechenleistung verbunden. Deshalb sind Suchen nach CWs von un-bekannten Neutronensternen in ihrer Empfindlichkeit limitiert durch die begrenzt vorhandeneRechenleistung.Diese Doktorarbeit beschäftigt sich mit dem Abschätzen und Verbessern der Empfindlichkeitvon Suchen nach Kontinuierlichen Gravitationswellen. Das erste Hauptforschungsergebnis dieserArbeit ist ein neuartiger Abschätzer, der die Empfindlichkeit einer CW-Suche schnell und genauvorhersagen kann bevor die Suche gestartet wird. Dies vereinfacht die Verbesserung der Suchal-gorithmen und kann deshalb zu empfindlicheren Suchen führen. Die Genauigkeit des Abschätzerswird anhand von vielen verschiedenen CW-Suchen untersucht. Die Untersuchung wird ergänztdurch eine ausführliche Studie der Empfindlichkeit von vergangenen CW-Suchen. Dazu wirdderen Empfindlichkeit in die gemeinsame Größe der Empfindlichkeitstiefe (engl.: sensitivitydepth) umgerechnet.Das zweite Hauptforschungsergebnis dieser Dissertation ist eine neuartige CW-Suchmethodemit Hilfe von tiefen neuronalen Netzwerken (engl.: deep neural networks, DNNs). Fertigtrainierte DNNs können extrem schnell angewendet werden und stellen deshalb eine interes-sante Art und Weise dar, wie möglicherweise mit der Limitierung durch fehlende Rechenleistungumgegangen und eine empfindlichere Suche konstruiert werden kann. In dieser Arbeit wird einesolche DNN nutzende CW-Suchmethode präsentiert: zuerst als Suche mit Daten von einemeinzigen Detektor nach Signalen vom gesamten Himmel und dann erweitert zu Suchen mitDaten von mehreren Detektoren nach Signalen vom gesamten Himmel oder nach Signalen voneiner speziellen Himmelsposition. Die Leistungsfähigkeit der DNNs wird dabei verglichen mitkohärenten Optimalfiltermethoden im Hinblick auf ihre Detektionswahrscheinlichkeit bei festemFehlalarmniveau. Diese Arbeit zeigt das diesbezüglich große Potential von DNNs: Bei derAnalyse von kurzen Zeitspannen von etwa einem Tag verliert das Netwerk nur wenige Prozentin Empfindlichkeitstiefe gegenüber kohärenten Optimalfiltermethoden. Für längere Zeitspannennimmt die Leistungsfähigkeit der Netzwerke im Vergleich jedoch nach und nach ab. An dieserStelle wird deshalb weitere Forschungsarbeit benötigt um die Leistungsfähigkeit der DNNs zuverbessern. Ein Ansatz, der in dieser Arbeit für zukünftige Forschung vorgeschlagen wird, istdie Kombination von Ergebnissen, die Netzwerke auf kurzen Zeitspannen erreicht haben, alsErgebnis für längere Zeitspannen zu nutzen. Dieser Ansatz ist ähnlich zum semi-kohärentenOptimalfilter, der in klassischen CW-Suchen benutzt wird.