The first direct detections of gravitational waves from merging black holes and neutron stars
started the era of gravitational-wave astronomy. Since then, observing merging compact objects
has become routine. Other exciting sources still remain undetected.
Rapidly-rotating neutron stars are predicted to emit weak, long-lasting quasi-monochromatic
waves called continuous gravitational waves (CWs). In the current detector generation, advanced
LIGO 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 stretches
of data. Analyzing large amounts of data usually corresponds to large computing cost. For that
reason, CW searches for signals from unknown neutron stars are limited in their sensitivity by
computational 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 sensitivity
estimator that can swiftly and accurately predict the sensitivity of a CW search before it is
started. This makes optimizing the search algorithms and therefore improving the sensitivity
easier. 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 calculating
their sensitivity depth.
The second main part of this thesis is the development of a new CW search method based on
deep neural networks (DNNs). DNNs are extremely fast once trained and therefore might present
an interesting possibility of circumventing the computational limitations and creating a more
sensitive CW search. In this thesis such a DNN CW search is developed first as a single-detector
search for signals from all over the sky and then expanded to a multi-detector all-sky search
and 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 probability
at fixed false-alarm level first on idealized Gaussian noise and then on realistic LIGO detector
noise. This thesis finds that the DNNs show a lot of potential: For short timespans of about one
day the networks only lose a few percent in sensitivity depth compared to coherent matched-
filtering. For longer timespans the networks’ performance gradually deteriorates making further
research necessary. As an outlook to future research, this thesis proposes the combination of
short-timespan network outputs, similar to semi-coherent matched-filtering, as a DNN search
method over longer timespans.
Die ersten direkten Detektionen von Gravitationswellen von verschmelzenden Schwarzen Löchern
und Neutronensternen haben die Ära der Gravitationswellenastronomie eingeläutet. Seitdem
ist die Beobachtung von verschmelzenden kompakten Objekten zur Routine geworden. Andere
interessante Quellen von Gravitationswellen sind jedoch noch unentdeckt.
Schnell rotierende Neutronensterne können schwache, langanhaltende quasi-monochromatische
Wellen aussenden, genannt Kontinuierliche Gravitationswellen (engl.: continuous waves CWs).
In der aktuellen Detektorgeneration, advanced LIGO und Virgo, wird mehr Detektoroutput
durch diverse Rauschquellen erzeugt als durch potenzielle CW Signale. Die Datenanalyse für
CWs 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 mit
großen Ansprüchen an die Rechenleistung verbunden. Deshalb sind Suchen nach CWs von un-
bekannten Neutronensternen in ihrer Empfindlichkeit limitiert durch die begrenzt vorhandene
Rechenleistung.
Diese Doktorarbeit beschäftigt sich mit dem Abschätzen und Verbessern der Empfindlichkeit
von Suchen nach Kontinuierlichen Gravitationswellen. Das erste Hauptforschungsergebnis dieser
Arbeit ist ein neuartiger Abschätzer, der die Empfindlichkeit einer CW-Suche schnell und genau
vorhersagen kann bevor die Suche gestartet wird. Dies vereinfacht die Verbesserung der Suchal-
gorithmen und kann deshalb zu empfindlicheren Suchen führen. Die Genauigkeit des Abschätzers
wird anhand von vielen verschiedenen CW-Suchen untersucht. Die Untersuchung wird ergänzt
durch eine ausführliche Studie der Empfindlichkeit von vergangenen CW-Suchen. Dazu wird
deren Empfindlichkeit in die gemeinsame Größe der Empfindlichkeitstiefe (engl.: sensitivity
depth) umgerechnet.
Das zweite Hauptforschungsergebnis dieser Dissertation ist eine neuartige CW-Suchmethode
mit Hilfe von tiefen neuronalen Netzwerken (engl.: deep neural networks, DNNs). Fertig
trainierte DNNs können extrem schnell angewendet werden und stellen deshalb eine interes-
sante Art und Weise dar, wie möglicherweise mit der Limitierung durch fehlende Rechenleistung
umgegangen und eine empfindlichere Suche konstruiert werden kann. In dieser Arbeit wird eine
solche DNN nutzende CW-Suchmethode präsentiert: zuerst als Suche mit Daten von einem
einzigen Detektor nach Signalen vom gesamten Himmel und dann erweitert zu Suchen mit
Daten von mehreren Detektoren nach Signalen vom gesamten Himmel oder nach Signalen von
einer speziellen Himmelsposition. Die Leistungsfähigkeit der DNNs wird dabei verglichen mit
kohärenten Optimalfiltermethoden im Hinblick auf ihre Detektionswahrscheinlichkeit bei festem
Fehlalarmniveau. Diese Arbeit zeigt das diesbezüglich große Potential von DNNs: Bei der
Analyse von kurzen Zeitspannen von etwa einem Tag verliert das Netwerk nur wenige Prozent
in Empfindlichkeitstiefe gegenüber kohärenten Optimalfiltermethoden. Für längere Zeitspannen
nimmt die Leistungsfähigkeit der Netzwerke im Vergleich jedoch nach und nach ab. An dieser
Stelle wird deshalb weitere Forschungsarbeit benötigt um die Leistungsfähigkeit der DNNs zu
verbessern. Ein Ansatz, der in dieser Arbeit für zukünftige Forschung vorgeschlagen wird, ist
die Kombination von Ergebnissen, die Netzwerke auf kurzen Zeitspannen erreicht haben, als
Ergebnis für längere Zeitspannen zu nutzen. Dieser Ansatz ist ähnlich zum semi-kohärenten
Optimalfilter, der in klassischen CW-Suchen benutzt wird.
