A Strongly Parametrized Mass Ratio Model for the Stable Mass Transfer Channel: a Case Study of the $10 \, \rm{M}_{\odot}$ Peak

समस्या विवरण
विलय होने वाले बाइनरी ब्लैक होल (BBHs) के द्रव्यमान अनुपात ($q$) में निर्माण इतिहास के संबंध में महत्वपूर्ण जानकारी निहित होती है, फिर भी इसे द्रव्यमान, स्पिन और उत्केंद्रता (eccentricity) की तुलना में निर्माण चैनलों के बीच विभेदक के रूप में कम ध्यान दिया गया है। मौजूदा जनसंख्या अनुमान मॉडल अक्सर द्रव्यमान-अनुपात वितरण को एक एकल पावर लॉ या एक लचीले गैर-पैरामीट्रिक रूप के रूप में मानते हैं, जो विशिष्ट भौतिक हस्ताक्षरों को ओझल कर सकता है। विशेष रूप से, आइसोलेटेड बाइनरीज में स्टेबल मास ट्रांसफर (SMT) चैनल एक ऐसा द्रव्यमान-अनुपात वितरण उत्पन्न करने की भविष्यवाणी करता है जो समान द्रव्यमानों से दूर ($q \sim 0.7$) शिखर (peak) बनाता है, फिर भी इस विशिष्ट भविष्यवाणी का परीक्षण दृढ़ता से पैरामीट्रिक मॉडल का उपयोग करके अवलोकन संबंधी डेटा के विरुद्ध नहीं किया गया है जो सीधे देखे गए वितरण को बाइनरी-इवोल्यूशन भौतिकी से जोड़ता हो। इसके अलावा, "मास-रेशियो रिवर्सल" (MRR) की घटना—जहाँ प्रारंभिक रूप से कम द्रव्यमान वाला तारा अंततः अधिक द्रव्यमान वाला ब्लैक होल बन जाता है—एक ऐसी जटिलता पेश करती है जिसे मानक मॉडल अक्सर सुलझाने में विफल रहते हैं।

कार्यप्रणाली
लेखक SMT चैनल से अपेक्षित द्रव्यमान-अनुपात वितरण के लिए एक दृढ़ly पैरामीट्रिक विश्लेषणात्मक मॉडल विकसित करते हैं, जिसे एक पदानुक्रमित जनसंख्या विश्लेषण ढांचे (hierarchical population analysis framework) के भीतर समाहित किया गया है।

1. विश्लेषणात्मक SMT मॉडल: van Son et al. (2022a) के ढांचे पर आधारित, लेखक द्रव्यमान-स्थानांतरण स्थिरता और अभिवृद्धि दक्षता (accretion efficiency) को अंतिम BBH द्रव्यमान अनुपात से मैप करने वाला एक मॉडल व्युत्पन्न करते हैं। मॉडल दो द्रव्यमान-स्थांतरण (MT) घटनाओं को ट्रैक करता है:

   • स्थिरता बाधाएं (Stability Constraints): MT तब स्थिर होता है जब डोनर-टू-एक्रेटर द्रव्यमान अनुपात ($q_{D,A}$) एक क्रिटिकल वैल्यू ($q_{crit}$) से नीचे रहता है, जो द्रव्यमान हानि के एडियाबेटिक रिस्पॉन्स ($\zeta_{eff}$) और अभिवृद्धि दक्षता ($\beta_{acc}$) द्वारा निर्धारित होता है।
   • द्रव्यमान विकास: मॉडल दोनों घटकों के लिए कोर मास अंश ($f_{core}$) और सुपरनोवा द्रव्यमान-हानि अंशों ($f_{SN}$) को ध्यान में रखता है।
   • मास-रेशियो रिवर्सल (MRR): मॉडल स्पष्ट रूप से उन मामलों को संभालता है जहाँ अंतिम ब्लैक होल द्रव्यमान अनुपात ($q_{BBH} = M_{BH,b}/M_{BH,a}$) एकता (unity) से अधिक हो जाता है। चूंकि गुरुत्वाकर्षण तरंग अवलोकन $q_{obs} \le 1$ को परिभाषित करते हैं, इसलिए मॉडल किसी भी देखे गए $q_{obs}$ के लिए दो संभावनाओं को ध्यान में रखता है: कोई रिवर्सल नहीं ($q_{BBH} = q_{obs}$) या रिवर्सल ($q_{BBH} = 1/q_{obs}$)।
   • परिणामी आकारिकी (Resulting Morphologies): मॉडल भविष्यवाणी करता है कि SMT चैनल स्वाभाविक रूप से दो गुणात्मक रूप से भिन्न उप-जनसंख्याएं उत्पन्न करता है: एक गैर-MRR उप-जनसंख्या (व्यापक, जो निम्न $q$ तक विस्तृत है) और एक MRR उप-जनसंख्या (संकुचित, जो $q=1$ के पास केंद्रित है)। इन उप-जनसंख्याओं का सापेक्ष प्रभुत्व SMT मापदंडों, विशेष रूप से द्रव्यमान-हानि अंशों के अनुपात ($f_{SN,a}/f_{SN,b}$) पर निर्भर करता है।

2. पदानुक्रमित अनुमान (Hierarchical Inference): लेखक इस मॉडल को $\sim 10 M_\odot$ के पीक को GWTC-4.0 BBH कैटलॉग पर लागू करते हैं। वे देखे गए कैटलॉग को एक मिश्रण (mixture) के रूप में मॉडल करते हैं:

   • एक फोरग्राउंड उप-जनसंख्या (वह $\sim 10 M_\odot$ पीक) जिसे प्राथमिक द्रव्यमान में एक लॉग-गौसियन और विश्लेषणात्मक SMT द्रव्यमान-अनुपात वितरण द्वारा दर्शाया गया है।
   • एक बैकग्राउंड उप-जनसंख्या (शेष द्रव्यमान स्पेक्ट्रम) जिसे द्रव्यमान, द्रव्यमान-अनुपात और स्पिन के लिए बेसिस-स्प्लाइन्स (B-splines) द्वारा दर्शाया गया है।
   • विश्लेषण हाइपर-पैरामीटर्स को इन्फर करने के लिए NumPyro के भीतर NUTS सैंपलर का उपयोग करता है, $\zeta_{eff}$ और $\beta_{acc}$ को मुक्त पैरामीटर के रूप में मानते हुए और अन्य SMT मापदंडों को खगोलीय रूप से प्रशंसनीय मूल्यों पर स्थिर रखते हुए।

प्रमुख परिणाम

• मास-रेशियो रिवर्सल बाधाएं: डेटा एक ऐसे परिदृश्य का समर्थन करता है जिसमें $\sim 10 M_\odot$ पीक में बहुत कम या कोई मास-रेशियो रिवर्सल नहीं है। हाइपर-पोस्टीरियर (hyper-posterior) 85.7% उन नमूनों द्वारा डोमिनेटेड है जहाँ MRR वर्जित है ($\zeta_{eff} < 4.74$)। शेष 14.3% नमूनों में जहाँ MRR की अनुमति है, इन्फर्ड रिवर्सल प्रणालियों का अंश ($f_{MRR}$) कम है, जिसका एक माध्यमिक मोड $f_{MRR} \sim 0.3$ के आसपास है।
• पैरामीटर अनुमान: इन्फर्ड SMT पैरामीटर $\zeta_{eff} = 4.3^{+1.9}_{-0.89}$ और $\beta_{acc} = 0.30^{+0.23}_{-0.18}$ हैं। ये मान काफी स्थिर द्रव्यमान स्थानांतरण और कम-से-मध्यम अभिवद्धि दक्षता के अनुरूप हैं, जो खगोलीय रूप से प्रशंसनीय श्रेणियों के भीतर हैं।
• उप-जनसंख्या संरचना: $\sim 10 M_\odot$ पीक के लिए इन्फर्ड द्रव्यमान-अनुपात वितरण एक गैर-MRR डोमिनेटेड जनसंख्या के अनुरूप है, जो व्यापक है और निम्न द्रव्यमान अनुपातों तक विस्तृत है, न कि MRR प्रणालियों की विशेषता वाले संकुचित, $q \approx 1$ पीक वाली जनसंख्या के अनुरूप है।
• मॉडल प्रदर्शन: मिश्रण मॉडल (mixture model) $\sim 10 M_\odot$ पीक को बैकग्राउंड निरंतरता (continuum) से सफलतापूर्वक अलग करता है, जिसमें फोरग्राउंड घटक $m_1 = 10.1^{+1.1}_{-0.74} M_\odot$ पर पीक करता है।

महत्व और दावे
लेखक इस कार्य को एक प्रूफ ऑफ कॉन्सेप्ट के रूप में प्रस्तुत करते हैं, जो यह प्रदर्शित करता है कि कैसे डेटा-संचालित, दृढ़ly पैरामीट्रिक मॉडल का उपयोग मिश्रण विश्लेषणों में BBH जनसंख्या डेटा में एकल विशेषताओं का अध्ययन करने के लिए किया जा सकता है। प्राथमिक महत्व इस क्षमता में निहित है कि एक विशिष्ट उप-जनसंख्या के भीतर द्रव्यमान-अनुपात वितरण के माप को सीधे उस बाइनरी-इवोल्यूशन भौतिकी ($\zeta_{eff}$ और $\beta_{acc}$) में अनुवादित किया जा सके जिसने इसे उत्पन्न किया है।

लेखक विनम्रतापूर्वक दावा करते हैं कि जबकि इन्फर्ड पैरामीटर विश्लेषणात्मक मॉडल की सरलीकरणों (जैसे, मापदंडों को जनसंख्या-व्यापी स्थिरांक के रूप में मानना) के कारण सटीक माप के बजाय दृष्टांत (illustrative) हैं, यह दृष्टिकोण द्रव्यमान-अनुपात वितरण को एक शक्तिशाली चैनल विभेदक के रूप में उपयोग करने की उपयोगिता को प्रमाणित करता है। लेखक इस बात पर जोर देते हैं कि मास-रेशियो रिवर्सल भविष्य के प्रतिबंधों के लिए एक आशाजनक लक्ष्य है और भविष्य के कैटलॉग (जैसे, GWTC-5.0) इन उप-जनसंख्याओं के लिए कड़े पदानुक्रमित प्रतिबंधों की अनुमति देंगे। वे यह दावा नहीं करते कि उन्होंने बाइनरी इवोल्यूशन भौतिकी को निश्चित रूप से हल कर दिया है, बल्कि उन्होंने ऐसा करने के लिए एक कार्यप्रणाली स्थापित की है।