Finansijski program : COST
Naziv [ENG] : CA17137 - A network for Gravitational Waves, Geophysics and Machine Learning
Naziv : CA17137 - Mreža za gravitacione talase, geofiziku i mašinsko učenje
Početak : 01.01.2018.
Kraj : 31.12.2021.
Skraceni naziv : G2NET
Web site :
Tip projekta : zajednički (joint)
Tematska oblast : Intedisciplinarna oblast
Jedinica : Elektrotehnički fakultet
Budzet za jedinicu :
Ukupan budzet :
Rukovodilac :

Opis : Probojno otkriće gravitacionih talasa 14. septembra 2015. godine omogućeno je sinergijom tehnika koje se oslanjaju na ekspertizu iz fizike, matematike, informatike i računarstva. Trenutno postoji brzo rastuće interesovanje za mašinsko učenje (ML), dubinsko učenje (DL), probleme klasifikacije, rudarenje i vizuelizacija podataka i, uopšte, za razvoj novih tehnika i algoritama za efikasno rukovanje složenim i masivnim podacima skupovi pronađeni u onome što je nastalo pod nazivom „Veliki podaci“, u širokom spektru disciplina, od društvenih nauka do prirodnih nauka. Brzi porast računarske snage kojom raspolažemo i razvoj inovativnih tehnika za brzu analizu podataka biće od vitalnog značaja za uzbudljivo novo polje astronomije Gravitacionog talasa (GV), na specifične teme poput sistema upravljanja i povratne sprege za sledeću generaciju detektori, uklanjanje buke, podaci i alati za kondicioniranje podataka. Otkriće GV signala iz sudarajućih binarnih crnih rupa (BBH) i verovatno postojanje novoopazivne populacije masivnih crnih rupa zvezdanog porekla, učinilo je analizu niskih -frekventni podaci o GV suštinska misija nauke o GV. Na niskofrekventne performanse zemaljskih GV detektora u velikoj meri utiče sposobnost rukovanja ambijentalnim potiskivanjem buke. Cilj ove troškovne akcije je stvaranje široke mreže naučnika iz četiri različita područja stručnosti, a to su GV fizika, geofizika, računarstvo i robotika, sa zajedničkim ciljem rešavanja izazova u analizi podataka i karakterizaciji buke za GV detektore.


The breakthrough discovery of gravitational waves on September 14, 2015 was made possible through synergy of techniques drawing from expertise in physics, mathematics, information science and computing. At present, there is a rapidly growing interest in Machine Learning (ML), Deep Learning (DL), classification problems, data mining and visualization and, in general, in the development of new techniques and algorithms for efficiently handling the complex and massive data sets found in what has been coined "Big Data", across a broad range of disciplines, ranging from Social Sciences to Natural Sciences. The rapid increase in computing power at our disposal and the development of innovative techniques for the rapid analysis of data will be vital to the exciting new field of Gravitational Wave (GW) Astronomy, on specific topics such as control and feedback systems for next-generation detectors, noise removal, data analysis and data-conditioning tools.The discovery of GW signals from colliding binary black holes (BBH) and the likely existence of a newly observable population of massive, stellar-origin black holes, has made the analysis of low-frequency GW data a crucial mission of GW science. The low-frequency performance of Earth-based GW detectors is largely influenced by the capability of handling ambient seismic noise suppression. This Cost Action aims at creating a broad network of scientists from four different areas of expertise, namely GW physics, Geophysics, Computing Science and Robotics, with a common goal of tackling challenges in data analysis and noise characterization for GW detectors.