Parameter Estimation Horizon of Core-Collapse Supernovae with Current and Next-Generation Gravitational-Wave Detectors

Resumen Técnico: Horizonte de Estimación de Parámetros de Supernovas de Colapso del Núcleo con Detectores de Ondas Gravitacionales Actuales y de Nueva Generación

Enunciado del Problema
Las supernovas de colapso del núcleo (CCSNe) representan una clase distinta de emisores de ondas gravitacionales (GW) que ofrecen una sonda única y sin obstrucciones del motor central de la supernova. Si bien las observaciones electromagnéticas proporcionan información sobre el resultado de la explosión, estas se ven oscurecidas durante el primer segundo crítico cuando la onda de choque se energiza profundamente dentro del envoltorio estelar. Por el contrario, las ondas gravitacionales y los neutrinos escapan inmediatamente, codificando la dinámica de la materia estelar. Un desafío principal en la astronomía de ondas gravitacionales es inferir los parámetros de la fuente a partir de la forma de onda, particularmente para progenitores de rotación rápida donde la rotación influye significativamente en el mecanismo de explosión (por ejemplo, magnetorrotacional frente a impulsado por neutrinos). Los estudios actuales a menudo se basan en condiciones idealizadas, descuidando incertidumbres observacionales realistas como tiempos de rebote desconocidos, estructuras de progenitores variables e inclinación de la fuente. Este trabajo aborda la viabilidad de estimar parámetros físicos clave, específicamente la frecuencia pico ($f_{\text{peak}}$), la amplitud pico normalizada por distancia ($D\Delta h$) y el parámetro de rotación ($T/|W|$), bajo restricciones observacionales realistas utilizando aprendizaje automático (ML).

Metodología
Los autores emplearon un marco de aprendizaje automático basado en regresión para inferir parámetros físicos a partir de señales de GW generadas por CCSNe en rotación.

• Conjunto de Datos: El estudio utilizó un catálogo de 1.332 formas de onda calculadas mediante el código relativista CoCoNuT. El conjunto de datos abarca cuatro modelos de progenitores con metalicidad solar (12, 15, 27 y 40 $M_\odot$) y seis ecuaciones de estado nuclear (EOS). La rotación se muestreó en el rango $T/|W| \in [0.02, 0.18]$. El análisis se centró en una ventana de 8 ms centrada en el rebote ($[-2, 6]$ ms) para aislar las señales de rebote y decaimiento temprano, evitando la fase de convección rápida capturada pobremente en simulaciones 2D.
• Inyección de Señales y Preprocesamiento: Las señales se inyectaron en el ruido del detector del observatorio Hanford de Advanced LIGO (A+) (datos de O4a) y en ruido gaussiano simulado que representa las sensibilidades de diseño de detectores de nueva generación: el Telescopio Einstein (ET) y el Explorador Cósmico (CE). Para simular condiciones realistas, se introdujo una incertidumbre en el tiempo de rebote ($\Delta t_b$) de hasta 20 ms. Los datos se procesaron utilizando ventanas Tukey, blanqueado y filtrado de paso de banda (20–2000 Hz).
• Modelos de Aprendizaje Automático: Se evaluaron siete algoritmos de regresión clásicos: Ridge, Lasso, Regresor de Bosque Aleatorio (RFR), Regresión de Vectores de Soporte (SVR), CatBoost, LightGBM (LGB) y XGBoost (XGB). Los modelos se optimizaron mediante búsqueda en cuadrícula con validación cruzada de 5 pliegues.
• Representaciones de Entrada: El estudio comparó los datos de deformación en el Dominio del Tiempo (TD) frente a representaciones en el Dominio de la Frecuencia (FD) (magnitudes de la transformada de Fourier).
• Métricas de Evaluación: El rendimiento se cuantificó utilizando el Error Porcentual Absoluto Medio (MAPE). El análisis incluyó pruebas de "dejar uno fuera" para la generalización de EOS y masa del progenitor, así como evaluaciones a través de diferentes ángulos de inclinación de la fuente y distancias.

Contribuciones y Resultados Clave

1. Selección del Modelo: Los métodos de aumento de gradiente superaron significativamente a los modelos lineales (Ridge, Lasso) y a otros enfoques no lineales (RFR, SVR). XGBoost (XGB) surgió como el modelo más preciso, logrando puntuaciones MAPE de 6,70 % para $T/|W|$, 2,92 % para $f_{\text{peak}}$ y 6,81 % para $D\Delta h$ a una distancia de referencia de 10 kpc con orientación óptima.
2. Impacto de la Incertidumbre en el Tiempo de Rebote: Un hallazgo crítico es la sensibilidad diferencial de las representaciones TD y FD a la incertidumbre temporal. Cuando se introdujo una incertidumbre en el tiempo de rebote de 20 ms, el rendimiento del modelo basado en TD se degradó drásticamente (el MAPE para $T/|W|$ aumentó al 32,01 %). Por el contrario, el modelo basado en FD permaneció robusto (MAPE $\approx$ 7,36 %), ya que la magnitud de Fourier es invariante ante desplazamientos temporales. Esto establece las características FD como superiores para la inferencia realista donde los tiempos exactos de rebote son desconocidos.
3. Generalización a la Variabilidad Física: Los modelos demostraron capacidades sólidas de generalización. Cuando se entrenaron con subconjuntos de EOS o masas de progenitores y se probaron en casos dejados fuera, las puntuaciones MAPE se mantuvieron estables y bajas. Esto indica que los parámetros inferidos son en gran medida independientes de la EOS específica o de la masa del progenitor utilizados para el entrenamiento, siempre que la distribución del momento angular sea similar.
4. Impacto de la Inclinación de la Fuente: La estimación de parámetros es altamente sensible al ángulo de inclinación de la fuente ($\theta$). Para bajas inclinaciones ($\theta \leq 30^\circ$, donde el eje de rotación se alinea con la línea de visión), la amplitud de la señal se suprime ($\propto \sin^2 \theta$), lo que conduce a una degradación significativa del rendimiento para parámetros dependientes de la amplitud ($T/|W|$ y $D\Delta h$), con un MAPE que supera el 30 %. Sin embargo, $f_{\text{peak}}$ permaneció relativamente robusto incluso a bajas inclinaciones.
5. Horizonte de Detección:
   • Detectores Actuales (A+): La estimación fiable de parámetros (MAPE $\leq 20\%$) se limita a distancias galácticas, aproximadamente 15 kpc.
   • Detectores de Nueva Generación: El Telescopio Einstein (ET) extiende el horizonte fiable a $\sim$200 kpc, mientras que el Explorador Cósmico (CE) lo extiende a $\sim$350 kpc.
   • Robustez de los Parámetros: Incluso a distancias de hasta 2000 kpc, $f_{\text{peak}}$ puede estimarse con alta precisión, mientras que $T/|W|$ y $D\Delta h$ requieren una proximidad mayor o detectores de mayor sensibilidad.

Significado
El artículo afirma que el aprendizaje automático, específicamente el uso de características en el dominio de la frecuencia y el aumento de gradiente, proporciona un método viable y robusto para inferir parámetros de CCSN a partir de señales de GW bajo condiciones observacionales realistas. Al demostrar que el análisis en el dominio de la frecuencia mitiga el problema crítico de los tiempos de rebote desconocidos, el trabajo respalda el desarrollo de pipelines de inferencia prácticos para futuros observatorios de ondas gravitacionales. Los resultados sugieren que, si bien los detectores actuales están restringidos a eventos galácticos para la recuperación detallada de parámetros, los detectores de tercera generación expandirán significativamente el horizonte de estimación de parámetros, permitiendo el estudio de CCSNe extragalácticas y ofreciendo nuevas restricciones sobre la física del motor central, incluida la rotación y la ecuación de estado. El estudio reconoce limitaciones, señalando que el análisis se restringe a modelos en rotación, ventanas de tiempo cortas y observaciones de un solo detector, dejando los efectos de red y la complejidad completa de la señal para futuras investigaciones.