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

Résumé technique : Recherche de fusions de trous noirs binaires par apprentissage profond dans la troisième campagne d'observation d'Advanced LIGO

Énoncé du problème
La détection d'ondes gravitationnelles (OG) provenant de coalescences de binaires compactes est devenue routinière, pourtant la découverte de nouveaux candidats uniques demeure un domaine de recherche critique. Bien que la collaboration LIGO-Virgo-KAGRA (LVK) utilise des pipelines de filtrage adapté établis (par exemple, PyCBC, GstLAL, MBTA) et des recherches de sursauts non modélisés (cWB), des recherches hors ligne indépendantes continuent d'identifier des candidats additionnels et des événements uniques. Les approches d'apprentissage profond existantes (par exemple, AresGW, Aframe) ont montré des promesses mais se chevauchent souvent de manière significative avec les catalogues standards. Le défi abordé dans ce travail est de développer un pipeline de recherche hybride qui combine la robustesse du filtrage adapté avec les capacités de reconnaissance de formes de l'apprentissage profond pour identifier des candidats de trous noirs binaires (BBH) de masse stellaire à partir des données de déformation des détecteurs, visant spécifiquement à récupérer des événements uniques et à évaluer la sensibilité par rapport aux pipelines LVK existants lors de la troisième campagne d'observation (O3).

Méthodologie
Les auteurs ont développé un pipeline de recherche hybride qui traite les données des détecteurs LIGO Hanford (H1) et Livingston (L1). Le flux de travail procède comme suit :

1. Filtrage adapté et génération de déclencheurs : Le pipeline effectue un filtrage adapté en utilisant une banque de modèles de 97 832 formes d'ondes de BBH (approximateur ROM SEOBNRv4) avec des masses de composantes $> 2 M_\odot$ et une coupure de basse fréquence de 15 Hz. Un algorithme de détection de pics identifie les déclencheurs où le rapport signal sur bruit (SNR) dépasse 4 dans au moins un détecteur, nécessitant un pic coïncident dans l'autre détecteur dans le temps de trajet de la lumière ($\sim 10$ ms).
2. Classification par apprentissage profond : Pour chaque seconde de données, les dix modèles présentant le SNR réseau le plus élevé sont sélectionnés. La série temporelle du SNR pour ces modèles est injectée dans un modèle d'apprentissage profond pré-entraîné (basé sur une architecture ResNet avec des couches convolutives et entièrement connectées). Le modèle traite la série temporelle en 16 étapes (incréments de 1/16 s) sur une fenêtre d'une seconde.
3. Statistique de classement : Le modèle produit une prédiction pour chaque étape. Le pipeline calcule la moyenne de ces prédictions par étape pour les dix modèles et sélectionne le modèle unique ayant la plus haute prédiction moyenne comme statistique de classement pour cette seconde.
4. Stratégie d'entraînement : Le modèle a été entraîné sur des échantillons de séries temporelles de SNR d'une seconde dérivés des données d'O3. Le jeu de données équilibre le bruit pur, le bruit contaminé par des glitches (identifiés via Omicron) et les signaux BBH injectés. Crucialement, la distribution d'injection a été contrôlée manuellement pour assurer une représentation suffisante des systèmes de masse élevée, qui sont souvent sous-représentés dans les priors astrophysiques. Les glitches ont été alignés avec les fréquences des signaux pour maximiser l'interaction pendant l'entraînement.
5. Estimation de la significativité :
   • Taux de fausses alarmes (FAR) : Calculé en analysant des données décalées dans le temps (découplant les détecteurs de $> 10$ ms) pour créer une distribution de fond de déclencheurs de bruit.
   • Probabilité d'origine astrophysique ($p_{astro}$) : Calculée à l'aide d'un facteur de Bayes signal-sur-bruit, modélisant le premier plan (signal) et l'arrière-plan (bruit) comme des processus de Poisson indépendants. Les paramètres ont été ajustés à l'aide de campagnes d'injection pour garantir qu'un seuil de $p_{astro} \ge 0,5$ correspond à une intersection spécifique des densités de déclencheurs de fond et de premier plan.

Contributions clés et résultats

• Évaluation de la sensibilité : Le pipeline a été testé contre 83 815 signaux BBH injectés de l'ensemble d'injection GWTC-3. L'approche hybride a démontré une sensibilité comparable aux pipelines existants (PyCBC-BBH, GstLAL, etc.) pour des masses de chirp dans le référentiel de la source supérieures à $25 M_\odot$. Cependant, la sensibilité a chuté pour les signaux avec des masses de chirp inférieures à ce seuil et des SNR réseau inférieurs à 15.
• Détections uniques : La recherche a produit 33 candidats d'événements en données O3 répondant aux critères de $p_{astro} \ge 0,5$ et FAR $< 2$ par jour.
  • Récupération : 31 de ces candidats correspondent à ceux du catalogue GWTC-3 de la LVK.
  • Candidats nouveaux/uniques : La recherche a identifié deux candidats supplémentaires :
    1. GW190605 025957 : Rapporté précédemment uniquement par la recherche de modes d'ordre supérieur de l'Institute for Advanced Study (IAS). Les auteurs notent des problèmes potentiels de qualité de données (un événement de bruit transitoire) mais confirment la significativité du candidat dans leur pipeline.
    2. GW190929 091722 : Un candidat précédemment non rapporté avec un $p_{astro}$ de 0,63. L'estimation des paramètres suggère une masse totale élevée ($171^{+172}_{-58} M_\odot$), avec une probabilité significative que la composante primaire soit un trou noir de masse intermédiaire (IMBH) résidant potentiellement dans la lacune de masse d'instabilité de paire.
• Deep Learning vs Banque de modèles : Une étude comparative utilisant le pipeline PyCBC avec la même banque de modèles que la recherche par apprentissage profond a confirmé que la capacité de détection unique provient de la statistique de classement par apprentissage profond, et non du choix de la banque de modèles. L'approche par apprentissage profond a identifié nettement plus d'événements uniques (348 contre 23 dans une fenêtre de test spécifique) que la statistique PyCBC standard.
• Candidats manqués : Les auteurs ont analysé 75 candidats manqués (événements détectés par d'autres pipelines mais pas par cette recherche). La majorité des manques est attribuée à la sensibilité réduite du pipeline pour les systèmes de faible masse (masse de chirp $< 25 M_\odot$) et les événements à faible SNR. D'autres manques ont été causés par des contraintes de conception, telles que des coupures de segments de données (les 200 premières secondes et les 24 dernières secondes) et l'interférence de glitches avec des modèles de longue durée.

Signification et affirmations
L'article affirme que le pipeline de recherche hybride proposé identifie avec succès une population significative de candidats uniques d'ondes gravitationnelles qui sont manqués par les pipelines traditionnels de filtrage adapté utilisant des statistiques de classement standard. Bien que la méthode présente actuellement une sensibilité moindre pour les binaires de faible masse (comparativement aux pipelines optimisés) et aux événements à faible SNR, sa capacité à détecter des fusions de BBH de haute masse et des événements uniques démontre la valeur de l'intégration de classificateurs d'apprentissage profond dans les pipelines de recherche d'OG.

Les auteurs soulignent que les détections uniques sont le résultat direct de la capacité du modèle d'apprentissage profond à distinguer les signaux du bruit dans la série temporelle du SNR différemment des méthodes statistiques traditionnelles. Ils concluent que, bien que l'implémentation actuelle nécessite une optimisation pour la sensibilité aux faibles masses et la robustesse face aux glitches, l'approche hybride offre une stratégie de recherche complémentaire qui améliore le potentiel de découverte global des campagnes d'observation de la LVK. L'identification de GW190929 091722 comme un candidat IMBH potentiel souligne l'utilité du pipeline pour explorer les régimes de masses extrêmes, même si une vérification supplémentaire (par exemple, des recherches dédiées aux IMBH) est requise.