Incorporating neutron star physics into gravitational wave inference with physics-informed priors using normalizing flows

Wenn zwei dichte Sternüberreste, wie Neutronensterne oder Schwarze Löcher, aufeinander zusteuern und kollidieren, senden sie Wellen durch das Gefüge der Raumzeit, die als Gravitationswellen bekannt sind. Detektoren auf der Erde erfassen diese schwachen Signale, was es Wissenschaftlern ermöglicht, das Universum auf eine Weise zu „hören“, die vor wenigen Jahrzehnten noch unmöglich war. Um zu verstehen, was während einer Kollision geschah, nutzen Forscher eine statistische Methode, um von dem Klang der Wellen rückwärts auf die Eigenschaften der Objekte zu schließen, die sie erzeugt haben. Dieser Prozess erfordert fundierte Vermutungen darüber, wie diese Objekte beschaffen sein könnten, noch bevor das Signal überhaupt eintrifft. Traditionell haben Wissenschaftler „agnostische“ Vermutungen verwendet, die davon ausgehen, dass keine Vorabkenntnisse über die Massen oder die interne Struktur der Sterne vorliegen, wobei jede Möglichkeit als gleichermaßen wahrscheinlich behandelt wird. Dieser Ansatz ignoriert jedoch eine enorme Menge an bestehendem Wissen darüber, wie Materie unter extremem Druck reagiert und wie Neutronensterne in unserer Galaxie verteilt sind.

Eine neue Studie schlägt einen klügeren Weg vor, um solche Vermutungen anzustellen. Die Forscher entwickelten eine Methode, um die reale Physik direkt in die Analyse von Gravitationswellensignalen einzuspeisen. Anstatt das Wissen über die interne Zusammensetzung von Neutronensternen oder die typischen Massen dieser Objekte zu ignorieren, bauten sie ein System auf, das diese Informationen von Beginn an integriert. Durch den Einsatz einer Art künstlicher Intelligenz, die mit den Gesetzen der Kernphysik und Beobachtungen bekannter Sterne trainiert wurde, schufen sie einen Satz „physik-informierter“ Erwartungen. Bei der Anwendung auf reale Daten aus drei spezifischen kosmischen Kollisionen half diese Methode nicht nur dabei, die Natur der kollidierenden Objekte zu bestätigen, sondern lieferte auch ein wesentlich schärferes Bild ihrer Eigenschaften als bisherige Methoden.

Der Kern dieser Arbeit liegt darin, wie Wissenschaftler die Daten dieser Kollisionen interpretieren. Wenn ein Gravitationswellensignal detektiert wird, handelt es sich um eine komplexe Mischung aus Informationen über die Massen der Objekte, wie sie rotieren und wie sich ihre interne Struktur bei Annäherung verformt. Um diese Informationen zu extrahieren, verlassen sich Forscher auf die Bayes’sche Inferenz, einen mathematischen Rahmen, der die Wahrscheinlichkeit einer Hypothese aktualisiert, sobald neue Beweise eintreffen. Der Ausgangspunkt dieser Aktualisierung ist der „Prior“, der darstellt, was Wissenschaftler glauben, bevor sie die neuen Daten betrachten. Jahrelang war die Standardpraxis die Verwendung uninformierter Priors, die davon ausgehen, dass jede Masse und jede interne Struktur möglich ist, einfach weil es als sicherer galt, um Bias (Voreingenommenheit) zu vermeiden. Doch wir wissen bereits sehr viel über Neutronensterne. Wir wissen, dass sie aus unglaublich dichter Materie bestehen, die spezifischen physikalischen Regeln folgt, und wir haben die Massen vieler Neutronensterne in unserer eigenen Galaxie gemessen. Die neue Studie argumentet, dass das Verwerfen dieses Wissens eine verpasste Chance darstellt.

Um dies zu korrigieren, schuf das Team ein flexibles System, das unser aktuelles Verständnis der Neutronensternphysik direkt in die Analyse kodiert. Sie begannen damit, Randbedingungen für die „Zustandsgleichung“ zu sammeln – im Wesentlichen ein Regelwerk, das beschreibt, wie sich Materie bei den extremen Dichten im Inneren eines Neutronensterns verhält. Dieses Regelwerk wird durch kernphysikalische Experimente und Beobachtungen von Pulsaren, also schnell rotierenden Neutronensternen, gestützt. Zudem sammelten sie Daten darüber, wie massereich Neutronensterne typischerweise sind, basierend auf Radiobeobachtungen von Sternen in unserer Galaxie. Mit diesen Informationen generierten sie Millionen von simulierten Szenarien dessen, wie eine Kollision aussehen könnte, wenn sie Objekte involvierte, die diesen physikalischen Gesetzen gehorchen.

Diese Simulationen wurden dann verwendet, um ein maschinelles Lernmodell zu trainieren, das als „Normalizing Flow“ bekannt ist. Man kann sich dieses Modell als einen hocheffizienten Kartograf vorstellen, der die Form der wahrscheinlichsten physikalischen Szenarien erlernt. Einmal trainiert, fungiert dieses Modell als ein ausgeklügelter Filter. Anstatt die Analyse durch jede theoretisch mögliche Kombination von Masse und interner Struktur wandern zu lassen, leitet es die Suche in jene Regionen, in denen die Physik uns sagt, dass die Objekte am wahrscheinlichsten existieren. Dies ermöglicht es der Analyse, sich auf die plausibelsten Erklärungen zu konzentrieren, was die Ergebnisse präziser und die Schlussfolgerungen robuster macht.

Die Forscher testeten diesen neuen Ansatz an drei realen Gravitationswellen-Ereignissen, die von Observatorien in den USA, Italien und Japan detektiert wurden. Das erste Ereignis, GW170817, war eine Kollision zwischen zwei Neutronensternen, die auch von Teleskopen beobachtet wurde, die nach Licht suchen. Das zweite, GW190425, war eine weitere Neutronenstern-Kollision, jedoch mit schwereren Komponenten. Das dritte, GW230529, war eine Kollision zwischen einem Neutronenstern und einem Schwarzen Loch – ein Ereignis, das zuvor schwer mit Sicherheit zu klassifizieren war. In jedem Fall lieferte die physik-informierte Methode ein klareres Bild des Universums als der traditionelle, ungeleitete Ansatz.

Für das erste Ereignis, GW170817, bestätigte die neue Methode, dass es sich tatsächlich um zwei kollidierende Neutronensterne handelte. Wichtiger noch: Sie ermöglichte es den Forschern, zwischen verschiedenen Theorien über die interne Steifigkeit dieser Sterne zu unterscheiden. Die Daten favorisierten stark eine „weiche“ Zustandsgleichung, was bedeutet, dass die Materie im Inneren der Sterne relativ leicht komprimierbar ist. Diese Schlussfolgerung stimmte mit anderen Studien überein, die Gravitationswellendaten mit Lichtbeobachtungen kombinierten, doch die neue Methode erreichte dieses Ergebnis allein durch das Gravitationswellensignal selbst. Sie lieferte auch eine präzisere Messung der Entfernung, in der die Kollision stattfand, und schätzte die Distanz etwas weiter ein, als es bisherige Analysen getan hatten.

Das zweite Ereignis, GW190425, stellte ein Rätsel dar, da die kollidierenden Sterne viel schwerer waren als die typischen Neutronensterne in unserer Galaxie. Die traditionelle Analyse hatte Schwierigkeiten, ihre genaue Natur zu bestimmen. Der physik-informierte Ansatz identifizierte sie jedoch eindeutig als ein binäres Neutronensternsystem, trotz ihrer ungewöhnlichen Masse. Er enthüllte auch, dass die beiden Sterne wahrscheinlich nicht das gleiche Gewicht hatten – ein Detail, das die älteren, ungeleiteten Methoden übersehen hatten. Die Analyse deutete auf eine spezifische Distanz für dieses Ereignis hin, die signifikant größer war als bisher angenommen, was besser zu der Tatsache passte, dass das Signal relativ schwach war.

Das dritte Ereignis, GW230529, beinhaltete einen Neutronenstern und ein Schwarzes Loch. Da das Signal schwach war, war es schwierig zu bestimmen, um welche Objekte es sich genau handelte oder wie sie rotierten. Die neue Methode zeichnete sich hier dadurch aus, dass sie die Möglichkeiten einschränkte. Sie klassifizierte das Ereignis entscheidend als eine Kollision zwischen einem Neutronenstern und einem Schwarzen Loch und schloss andere Möglichkeiten mit hoher Konfidenz aus. Darüber hinaus lieferte die Analyse unter Berücksichtigung der physikalischen Randbedingungen eine viel engere Schätzung des Massenverhältnisses zwischen den beiden Objekten. Dies wiederum gab ein klareres Bild des Spins des Schwarzen Lochs, der zuvor ungewiss war. Die Methode erhöhte auch die geschätzte Entfernung dieses Ereignisses, was konsistent mit der Schwachheit des Signals war.

Ein zentrales Ergebnis über alle drei Ereignisse hinweg war, dass die physik-informierten Priors konsistent zu größeren Schätzungen der Distanz zur Kollision führten. Dies geschah, weil die neue Methode die Massen der Objekte enger eingrenzte. Da das Signal, das wir hören, sowohl von der Masse als auch von der Distanz abhängt, erzwingt eine präzisere Kenntnis der Masse eine Anpassung der Distanzberechnung. In diesen Fällen bedeutete die Anpassung, dass die Objekte weiter entfernt waren als bisher gedacht. Dieser Wandel hat reale Konsequenzen für Astronomen, die nach dem Licht suchen, das diese Kollisionen begleiten könnte, da ein entfernteres Objekt schwächer und schwerer zu entdecken wäre.

Die Studie zeigte auch, dass dieser Ansatz als mächtiges Werkzeug dienen kann, um ambivalente Ereignisse zu sortieren. Im Fall von GW230529 lieferte die Methode entscheidende Beweise für die Natur der Kollision, etwas, was zuvor aufgrund des schwachen Signals schwierig zu erreichen war. Die Forscher zeigten, dass sie durch die Nutzung der physikalischen Gesetze zur Leitung der Suche mehr Informationen aus denselben Daten extrahieren konnten, ohne auf lautere Signale oder bessere Detektoren warten zu müssen.

Mit Blick auf die Zukunft betonen die Forscher, dass ihr Modell darauf ausgelegt ist, flexibel zu sein. Wenn sich unser Verständnis von Neutronensternen verbessert oder neue Arten von Beobachtungen verfügbar werden, kann das System mit diesem neuen Wissen aktualisiert werden. Es erfordert keine komplette Überarbeitung des Analyseprozesses; stattdessen wird lediglich die „Karte“ aktualisiert, die der Computer zur Navigation durch die Daten nutzt. Dies bedeutet, dass sich unsere Fähigkeit, die Klänge des Universums zu interpretieren, automatisch verbessert, sobald wir mehr über die dichte Materie im Inneren von Sternen lernen. Die Arbeit stellt einen Wandel dar: weg von der Behandlung der Daten als unbeschriebenes Blatt, hin zu einem Dialog mit den bekannten Naturgesetzen, der es uns ermöglicht, das Universum mit größerer Klarheit zu hören.