nmma: An extended Bayesian framework for Nuclear Multimessenger Astronomy in the Era of Next-Generation Detectors

Resumen Técnico: nmma: Un marco Bayesiano extendido para la Astronomía Multimensajero Nuclear en la Era de los Detectores de Próxima Generación

Planteamiento del Problema
El análisis conjunto de ondas gravitacionales (GW), transitorios electromagnéticos (EM) y física nuclear es esencial para romper las degeneraciones en la astronomía multimensajero. Sin embargo, la inferencia bayesiana para estos conjuntos de datos combinados enfrenta un cuello de botella crítico: el costo computacional escala de manera prohibitiva con la dimensionalidad del espacio de parámetros. Las implementaciones anteriores del marco de Astronomía Multimensajero Nuclear (nmma) dependían de tablas precomputadas de Ecuaciones de Estado (EoS) para mapear parámetros nucleares a propiedades macroscópicas de estrellas de neutrones (NS). Aunque esto era suficiente para los detectores actuales, este enfoque sufre de un límite de resolución inherente que será insuficiente para las detecciones de alta precisión y alta frecuencia esperadas de los observatorios de ondas gravitacionales de próxima generación, como el Telescopio Einstein (ET) y el Cosmic Explorer. Además, las herramientas de modelado EM existentes a menudo carecen de la velocidad requerida para el muestreo estocástico, y la integración directa de los parámetros de física nuclear en el bucle de inferencia sigue siendo computacionalmente costosa.

Metodología
Los autores presentan una revisión mayor del marco nmma, diseñado como una herramienta de inferencia bayesiana modular y extensible que se alinea estrechamente con la arquitectura del popular paquete Bilby. Los avances metodológicos centrales incluyen:

1. Emulación de Física Nuclear: En lugar de muestrear de tablas de EoS precomputadas, el marco ahora emplea emuladores de aprendizaje automático (ML) (específicamente redes neuronales de alimentación hacia adelante o feed-forward) para mapear parámetros nucleares microfísicos directamente a propiedades macroscópicas de NS (masa $M$, radio $R$, deformabilidad de marea $\Lambda$) en tiempo de ejecución. Esto permite el muestreo directo del espacio continuo de parámetros nucleares.
2. Surrogados EM Acelerados: El marco integra Fiesta, un modelo surrogado de alta precisión para transitorios EM. Esto incluye:
   • Kilonova (KN): Un modelo surrogado de red neuronal entrenado con simulaciones de transporte de radiación (Possis) para modelar curvas de luz.
   • Afterglow de GRB: Modelos surrogados para modelos de chorro gaussiano para predecir curvas de luz de afterglow, reduciendo drásticamente la carga computacional en comparación con la ejecución de códigos hidrodinámicos completos como afterglowpy o pyblastafterglow.
3. Aceleración de la Forma de Onda: El análisis de GW utiliza el aproximante IMRPhenomXAS_NRTidalv3 acelerado mediante técnicas de multibanda para asegurar evaluaciones rápidas de la verosimilitud (likelihood).
4. Arquitectura Modular: El código base ha sido reestructurado para tratar a nmma como un "envoltorio delgado" (thin wrapper) alrededor de Bilby, facilitando la integración fluida de nuevos tipos de datos (por ejemplo, supernovas) y algoritmos de muestreo.

Contribuciones Clave

• Inferencia Directa de Parámetros Nucleares: Por primera vez, el marco permite el muestreo bayesiano simultáneo de parámetros de física nuclear junto con parámetros de GW, kilonova y afterglow, en lugar de depender de índices discretos de EoS.
• Aceleraciones Significativas: Al combinar emuladores de ML para la física nuclear y surrogados EM, los autores logran una reducción de 20 a 60 veces en el tiempo computacional en comparación con las versiones anteriores de nmma (Pang et al. 2023), utilizando al mismo tiempo modelos físicos más detallados.
• Análisis Multimensajero Unificado: El marco combina con éxito datos de deformación de GW, curvas de luz de kilonova y datos de afterglow de GRB dentro de una única función de verosimilitud, permitiendo la restricción conjunta de parámetros astrofísicos, nucleares y cosmológicos.
• Integración Cosmológica: El marco soporta el muestreo de parámetros cosmológicos $\Lambda$CDM planos arbitrarios, permitiendo la derivación del parámetro de Hubble ($H_0$) a partir de eventos multimensajeros.

Resultados
Los autores validaron el marco actualizado a través de tres aplicaciones primarias:

1. Reanálisis de GW170817/AT2017gfo/GRB 170817A:

   • La nueva implementación reprodujo las distribuciones posteriores de los parámetros clave del sistema (masa de chirp, razón de masas, distancia de luminosidad, inclinación, deformabilidad de marea) de manera consistente con estudios previos, a pesar de utilizar diferentes modelos físicos y surrogados.
   • La inclusión del afterglow de GRB ayudó a romper la degeneración distancia-inclinación, aunque los resultados fueron sensibles al modelado específico del eyecta y la geometría del chorro de GRB.
   • El análisis resaltó tensiones en los modelos actuales de kilonova, particularmente con respecto al flujo infrarrojo tardío y la fracción electrónica ($Y_e$) del eyecta de viento, sugiriendo la necesidad de modelos refinados para los regímenes pobres en lantánidos.

2. Restricción de Parámetros Nucleares:

   • Al muestrear parámetros microfísicos de la EoS (pendiente de la energía de simetría $L_{sym}$, curvatura $K_{sym}$, incompresibilidad $K_{sat}$ y velocidad del sonido a altas densidades), el estudio demostró la capacidad de restringir la ecuación de estado nuclear.
   • Los resultados mostraron que los datos de GW por sí solos favorecen EoSs más blandas, mientras que la inclusión de las restricciones de NICER y los datos de kilonova desplaza la distribución posterior hacia EoSs más rígidas. La inclusión de los datos del afterglow de GRB moderó esta tendencia de endurecimiento.

3. Detección Hipotética Futura (Era de la Próxima Generación):

   • Utilizando un evento simulado detectado por una red de Telescopios Einstein triangulares con un seguimiento de kilonova del Observatorio Rubin, los autores demostraron el potencial para restringir el parámetro de Hubble ($H_0$) y los parámetros nucleares simultáneamente.
   • En un escenario con un desplazamiento al rojo (redshift) bien medido (a partir de la identificación de la galaxia anfitriona), el marco recuperó $H_0 = 68 \pm 4$ km s$^{-1}$ Mpc$^{-1}$, consistente con el valor inyectado.
   • El estudio señaló que, sin información explícita de redshift, las restricciones sobre $H_0$ y los parámetros nucleares siguen siendo débiles debido a las degeneraciones, particularmente para sistemas binarios simétricos.

Significancia y Reivindicaciones
El artículo afirma que el marco nmma actualizado proporciona la infraestructura necesaria para la "Era de los Detectores de Próxima Generación". Su principal significancia radica en permitir una inferencia bayesiana de alta dimensión eficiente que anteriormente era computacionalmente intratable. Al integrar surrogados de ML tanto para la física nuclear como para los transitorios EM, el marco permite a los investigadores:

• Ir más allá de las tablas discretas de EoS hacia espacios continuos de parámetros nucleares.
• Realizar análisis conjuntos de datos de GW y EM con una cuantificación de incertidumbre robusta.
• Prepararse para la avalancha de datos esperada de los detectores de tercera generación, donde la infraestructura de software actual se vería abrumada.

Los autores mantienen la modestia respecto a la competitividad inmediata de sus restricciones sobre $H_0$ o los parámetros nucleares en comparación con estudios de vanguardia, señalando que los límites derivados están actualmente limitados por los sistemáticos del modelo y la naturaleza de evento único de la demostración. Sin embargo, enfatizan que el marco abre una vía viable para obtener restricciones fuertes y robustas al analizar múltiples eventos futuros, particularmente fusiones asimétricas de baja masa. El trabajo también identifica limitaciones actuales, como la necesidad de correcciones de rotación en los modelos de estructura de NS y la transición eventual hacia evaluaciones de verosimilitud basadas en GPU para explotar plenamente las capacidades de computación de próxima generación.