Searching for binary black hole mergers with deep learning in Advanced LIGO's third observing run

Resumen Técnico: Búsqueda de fusiones de agujeros negros binarios con aprendizaje profundo en la tercera campaña de observación de Advanced LIGO

Planteamiento del problema
La detección de ondas gravitacionales (GW) provenientes de coalescencias de binarias compactas se ha vuelto rutinaria; sin embargo, el descubrimiento de candidatos nuevos y únicos sigue siendo un área de investigación crítica. Si bien la colaboración LIGO-Virgo-KAGRA (LVK) utiliza pipelines de filtrado adaptado establecidos (por ejemplo, PyCBC, GstLAL, MBTA) y búsquedas de estallidos (bursts) no modelados (cWB), las búsquedas offline independientes continúan identificando candidatos adicionales y eventos únicos. El desafío abordado en este trabajo es desarrollar un pipeline de búsqueda híbrido que combine la robustez del filtrado adaptado con las capacidades de reconocimiento de patrones del aprendizaje profundo para identificar candidatos de agujeros negros binarios (BBH) de masa estelar a partir de los datos de deformación (strain) de los detectores, con el objetivo específico de recuperar eventos únicos y evaluar la sensibilidad frente a los pipelines existentes de la LVK durante la tercera campaña de observación (O3).

Metodología
Los autores desarrollaron un pipeline de búsqueda híbrido que procesa datos de los detectores LIGO Hanford (H1) y Livingston (L1). El flujo de trabajo procede de la siguiente manera:

1. Filtrado adaptado y generación de disparadores (triggers): El pipeline realiza un filtrado adaptado utilizando un banco de plantillas de 97,802 formas de onda de BBH (aproximante ROM SEOBNRv4) con masas de componentes $>2 M_\odot$ y un corte de baja frecuencia de 15 Hz. Un algoritmo de búsqueda de picos identifica disparadores donde la relación señal-ruido (SNR) excede 4 en al menos un detector, requiriendo un pico coincidente dentro del tiempo de viaje de la luz ($\sim10$ ms) en el otro detector.
2. Clasificación mediante aprendizaje profundo: Para cada segundo de datos, se seleccionan las diez plantillas con la mayor SNR de red. La serie temporal de la SNR para estas plantillas se introduce en un modelo de aprendizaje profundo preentrenado (basado en una arquitectura ResNet con capas convolucionales y totalmente conectadas). El modelo procesa la serie temporal en 16 pasos (incrementos de 1/16 s) a través de una ventana de 1 segundo.
3. Estadístico de clasificación (ranking statistic): El modelo emite una predicción para cada paso. El pipeline promedia estas predicciones paso a paso para las diez plantillas y selecciona la única plantilla con la mayor predicción promedio como el estadístico de clasificación para ese segundo.
4. Estrategia de entrenamiento: El modelo fue entrenado con muestras de series temporales de SNR de 1 segundo derivadas de los datos de O3. El conjunto de datos equilibró ruido puro, ruido contaminado por glitches (identificado mediante Omicron) y señales de BBH inyectadas. Crucialmente, la distribución de las inyecciones se controló manualmente para asegurar una representación suficiente de sistemas de alta masa, que suelen estar subrepresentados en los priors astrofísicos. Los glitches se alinearon con las frecuencias de la señal para maximizar la interacción durante el entrenamiento.
5. Estimación de significancia:
   • Tasa de falsas alarmas (FAR): Calculada mediante el análisis de datos con desplazamientos temporales (desacoplando los detectores por $>10$ ms) para crear una distribución de fondo de disparadores de ruido.
   • Probabilidad de origen astrofísico ($p_{astro}$): Calculada utilizando un factor de Bayes de señal contra ruido, modelando el primer plano (señal) y el fondo (ruido) como procesos de Poisson independientes. Los parámetros se ajustaron utilizando campañas de inyección para asegurar que un umbral de $p_{astro} \ge 0.5$ corresponda a una intersección específica de las densidades de disparadores de fondo y primer plano.

Contribuciones clave y resultados

• Evaluación de sensibilidad: El pipeline fue probado contra 83,815 señales de BBH inyectadas del conjunto de inyección GWTC-3. El enfoque híbrido demostró una sensibilidad comparable a los pipelines existentes (PyCBC-BBH, GstLAL, etc.) para masas de chirp en el marco de la fuente superiores a $25 M_\odot$. Sin embargo, la sensibilidad disminuyó para señales con masas de chirp por debajo de este umbral y SNRs de red menores a 15.
• Detecciones únicas: La búsqueda produjo 33 eventos candidatos en los datos de O3 que cumplen con los criterios de $p_{astro} \ge 0.5$ y FAR $< 2$ por día.
  • Recuperación: 31 de estos candidatos coincidieron con los del catálogo GWTC-3 de la LVK.
  • Candidatos nuevos/únicos: La búsqueda identificó dos candidatos adicionales:
    1. GW190605 025957: Reportado previamente solo por la búsqueda de modos de orden superior del Instituto de Estudios Avanzados (IAS). Los autores señalan posibles problemas de calidad de datos (un evento de ruido transitorio) pero confirman la significancia del candidato en su pipeline.
    2. GW190929 091722: Un candidato no reportado previamente con una $p_{astro}$ de 0.63. La estimación de parámetros sugiere una masa total alta ($171^{+172}_{-58} M_\odot$), con una probabilidad significativa de que el componente primario sea un agujero negro de masa intermedia (IMBH) que potencialmente reside en la brecha de inestabilidad de par (pair-instability mass gap).
• Comparativa entre Aprendizaje Profundo y Banco de Plantillas: Un estudio comparativo utilizando el pipeline PyCBC con el mismo banco de plantillas de la búsqueda de aprendizaje profundo confirmó que la capacidad de detección única proviene del estadístico de clasificación de aprendizaje profundo, y no de la elección del banco de plantillas. El enfoque de aprendizaje profundo identificó significativamente más eventos únicos (348 frente a 23 en una ventana de prueba específica) que el estadístico estándar de PyCBC.
• Candidatos perdidos: Los autores analizaron 75 candidatos perdidos (eventos detectados por otros pipelines pero no por esta búsqueda). La mayoría de las pérdidas se atribuyeron a la sensibilidad reducida del pipeline para sistemas de baja masa (masa de chirp $< 25 M_\odot$) y eventos de baja SNR. Otras pérdidas fueron causadas por restricciones de diseño, como cortes de segmentos de datos (primeros 200s y últimos 24s) e interferencia de glitches con plantillas de larga duración.

Significancia y afirmaciones
El artículo afirma que el pipeline de búsqueda híbrido propuesto identifica con éxito una población significativa de candidatos únicos de ondas gravitacionales que son omitidos por los pipelines tradicionales de filtrado adaptado que utilizan estadísticas de clasificación estándar. Aunque el método actualmente presenta una menor sensibilidad para binarias de baja masa en comparación con los pipelines optimizados, su capacidad para detectar fusiones de BBH de alta masa y eventos únicos demuestra el valor de integrar clasificadores de aprendizaje profundo en los pipelines de búsqueda de GW.

Los autores enfatizan que las detecciones únicas son un resultado directo de la capacidad del modelo de aprendizaje profundo para distinguir señales de ruido en la serie temporal de la SNR de manera diferente a los métodos estadísticos tradicionales. Concluyen que, si bien la implementación actual requiere optimización para la sensibilidad de baja masa y la robustez contra glitches, el enfoque híbrico ofrece una estrategia de búsqueda complementaria que mejora el potencial de descubrimiento general de las campañas de observación de la LVK. La identificación de GW190929 091722 como un posible candidato a IMBH destaca la utilidad del pipeline en la exploración de regímenes de masa extrema, incluso si se requiere una mayor verificación (por ejemplo, búsquedas dedicadas a IMBH).