Reconstructing and resampling: a guide to utilising posterior samples from gravitational wave observations

Résumé technique : Reconstruction et rééchantillonnage : Un guide pour l'utilisation des échantillons de la distribution postérieure des observations d'ondes gravitationnelles

Énoncé du problème
La collaboration LIGO–Virgo–KAGRA (LVK) publie les données d'ondes gravitationnelles (GW) accompagnées des distributions postérieures bayésiennes pour les signaux observés, généralement fournies sous forme d'échantillons à poids égaux. Ces échantillons sont essentiels pour les analyses en aval, telles que la caractérisation de la population de trous noirs en fusion ou le test de la physique fondamentale. Cependant, de nombreuses analyses de ce type nécessitent de modifier les hypothèses sous-jacentes de l'inférence originale — comme changer le modèle de forme d'onde, la distribution a priori ou la densité spectrale de puissance (PSD) du bruit. Relancer le processus complet d'échantillonnage stochastique (par exemple, MCMC ou échantillonnage imbriqué/nested sampling) pour chaque variation est extrêmement coûteux en termes de calcul. Bien que des techniques de rééchantillonnage existent pour générer de nouveaux ensembles de échantillons à partir d'échantillons existants sans réanalyse, leur application en astronomie des ondes gravitationnelles manque de documentation systématique concernant la reconstruction précise de la vraisemblance et du prior, ainsi que l'efficacité comparative des différentes stratégies de rééchantillonnage.

Méthodologie
Le document présente un cadre complet pour la reconstruction de la densité postérieure à partir des produits de données de la LVK (spécifiquement ceux générés par la bibliothèque d'inférence Bilby et packagés via PESummary) et l'application de techniques de rééchantillonnage.

1. Reconstruction de la vraisemblance et du prior :

   • Les auteurs détaillent les exigences pour reconstruire avec précision la log-vraisemblance et le log-prior à partir des échantillons de la distribution postérieure stockés. Cela implique de faire correspondre l'environnement de calcul d'origine (spécifiquement les environnements conda et les versions de logiciels tels que Bilby, LALSimulation, etc.) ainsi que les configurations matérielles.
   • Les composants clés pour la reconstruction incluent : l'utilisation des données de déformation (strain) originales (de préférence à 16384 Hz avant le sous-échantillonnage), l'application de la fenêtre appropriée (fenêtre de Tukey), l'utilisation de la méthode spécifique d'estimation de la PSD (BayesWave), et la configuration de l'approximant de la forme d'onde (par exemple, IMRPhenomXPHM).
   • Le document distingue les vraisemblances marginalisées (utilisées lors de l'échantillonnage) des vraisemblances non marginalisées (correspondant à la distribution postérieure complète), notant que les valeurs stockées dans les publications de données sont typiquement marginalisées.
   • Les incertitudes de calibration sont gérées en marginalisant sur une approximation par spline construite à partir des enveloppes de calibration.

2. Techniques de rééchantillonnage :

   • Échantillonnage par rejet (Rejection Sampling - RS) : Les échantillons sont acceptés avec une probabilité proportionnelle au rapport entre la densité cible et la densité de proposition. L'efficacité dépend de la borne $M$ de ce rapport.
   • Échantillonnage par importance (Importance Sampling - IS) : Utilise des poids directement pour estimer des statistiques ou créer des histogrammes pondérés. Le document distingue l'IS standard (estimations pondérées) de l'IS multinomial (rééchantillonnage avec remplacement pour créer un nouvel ensemble d'échantillons).
   • Lissage de Pareto (Pareto-Smoothing) : Pour remédier aux inefficacités causées par des distributions de poids à queue lourde, les auteurs introduisent l'IS lissé par Pareto (PSIS) et le RS lissé par Pareto (PSRS). Cela consiste à ajuster une distribution de Pareto généralisée sur les poids les plus importants et à les remplacer par des statistiques d'ordre attendues. Un paramètre de diagnostic $\hat{k}$ est utilisé pour évaluer la fiabilité ($\hat{k} < 0,5$ est fiable ; $\hat{k} > 0,7$ indique un biais élevé).

3. Métriques d'efficacité :

   • Le document définit l'efficacité pour le RS par le taux d'acceptation et pour l'IS par la taille effective de l'échantillon (Effective Sample Size - ESS) par rapport à la taille de l'échantillon original.
   • Des approximations analytiques de l'efficacité sont fournies en supposant des poids distribués log-normalement, liant l'efficacité à la variance des log-poids.

Contributions clés

• Guide de reconstruction : Un guide pratique pour reconstruire les vraisemblances et les priors à partir des données publiques de la LVK, démontant qu'avec des environnements logiciels identiques, les résidus entre les valeurs reconstruites et stockées sont négligeables (typiquement $< 10^{-3}$ pour les vraisemblances), garantissant la validité du rééchantillonnage.
• Analyse comparative : Une comparaison systématique du RS, de l'IS multinomial et de leurs variantes lissées par Pareto. Les auteurs démontrent que si le RS produit des échantillons indépendants, il peut être inefficace si les distributions diffèrent de manière significative. L'IS multinomial offre des histogrammes plus lisses mais introduit des corrélations d'échantillons. Le lissage de Pareto améliore l'efficacité des deux méthodes lorsque les distributions de poids ont des queues lourdes.
• Estimation du facteur de Bayes : Une dérivation montrant comment estimer le facteur de Bayes (et son incertitude) entre les modèles originaux et modifiés en utilisant les poids de rééchantillonnage, permettant la comparaison de modèles sans réanalyse.
• Validation : Les méthodes sont validées à l'aide de modèles de test (toy models) et d'événements GW réels (GW150914 et GW230627_015337).

Résultats

• Précision de la reconstruction : Les tests sur GW150914 et GW230627_015337 montrent que les log-vraisemblances et les log-priors reconstruits correspondent aux valeurs stockées avec une grande précision. Les différences de matériel (par exemple, Intel Xeon vs Apple M3) introduisent des décalages aléatoires de $\approx 3 \times 10^{-6}$, ce qui est négligeable pour le rééchantillonnage.
• Performance du rééchantillonnage :
  • Dans les modèles de test où la distribution de proposition est plus large que la cible (sous-contrainte), le RS et l'IS fonctionnent tous deux bien.
  • Lorsque la proposition est plus étroite (sur-contrainte), l'efficacité du RS chute rapidement. L'IS se dégrade plus graduellement mais souffre d'une variance élevée, à moins d'être lissé.
  • Le lissage de Pareto améliore considérablement l'efficacité dans les scénarios sur-contraints, à condition que le diagnostic $\hat{k}$ reste inférieur à 0,7.
• Exemples d'application :
  • Changement de modèle de forme d'onde : Le rééchantillonnage de GW150914 du modèle IMRPhenomXPHM vers le modèle IMRPhenomXP (suppression des modes d'ordre supérieur) a reproduit avec succès la distribution postérieure d'une réanalyse complète. Le facteur de Bayes résultant ($\ln B = 0,16 \pm 0,03$) indiquait un léger support pour le modèle plus simple.
  • Mise à jour de la PSD : Le rééchantillonnage avec une PSD BayesWave mise à jour (paramètres GWTC-4.0) a montré un décalage de quelques pourcents dans la distribution postérieure de la masse de chirp. L'analyse des facteurs de Bayes a révélé que, bien que la nouvelle PSD assignât une probabilité globale plus faible aux données, elle fournissait un modèle de bruit rendant le signal plus distinguable.

Signification et affirmations
Le document se positionne comme une ressource pratique pour la communauté des ondes gravitationnelles, visant à abaisser la barrière pour les chercheurs souhaitant effectuer des analyses de type « et si » sans avoir accès aux ressources de calcul haute performance requises pour une réanalyse complète. Les auteurs affirment que :

1. Une reconstruction précise des distributions postérieures est réalisable à travers différents environnements informatiques, à condition que les versions de logiciels soient identiques.
2. Le rééchantillonnage est une alternative fiable à la réanalyse pour des modifications modérées des hypothèses (par exemple, mises à jour de la forme d'onde, raffinements de la PSD, ajustements de prior).
3. L'introduction de diagnostics de lissage de Pareto fournit un outil nécessaire pour évaluer la validité des résultats de rééchantillonnage, empêissant l'utilisation d'estimations biaisées dans les cas extrêmes.
4. Le guide permet des évaluations systématiques des incertitudes et des études de population qui tirent parti de toute la richesse des publications de données de la LVK, étendant l'utilité scientifique des échantillons de la distribution postérieure existants.

Les auteurs restent modestes quant à la portée de la méthode, notant qu'elle repose sur des distributions postérieures générées par Bilby et que des modifications extrêmes (par exemple, changer entièrement de familles de formes d'onde ou modifier radicalement les bandes de fréquences) peuvent toujours nécessiter une réanalyse complète. Ils soulignent que bien que le rééchantillonnage soit puissant, il n'est pas un substitut universel à la réanalyse lorsque la proposition et la cible divergent trop significativement.