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

Sintesi Tecnica: Ricerca di fusioni di Buchi Neri Binari con Deep Learning nella terza corsa di osservazione di Advanced LIGO

Enunciato del Problema
La rilevazione di onde gravitazionali (GW) da coalescenze di binari compatti è diventata routinaria, eppure la scoperta di nuovi e unici candidati rimane un'area di ricerca critica. Sebbene la collaborazione LIGO-Virgo-KAGRA (LVK) utilizzi pipeline consolidate di filtraggio adattato (ad es., PyCBC, GstLAL, MBTA) e ricerche di burst non modellate (cWB), le ricerche offline indipendenti continuano a identificare ulteriori candidati ed eventi unici. Gli approcci esistenti di deep learning (ad es., AresGW, Aframe) hanno mostrato una promettente capacità, ma spesso si sovrappongono significativamente ai cataloghi standard. La sfida affrontata in questo lavoro è lo sviluppo di una pipeline di ricerca ibrida che combini la robustezza del filtraggio adattato con le capacità di riconoscimento dei pattern del deep learning per identificare candidoli di buchi neri binari (BBH) di massa stellare dai dati di deformazione dei rilevatori, mirando specificamente al recupero di eventi unici e al confronto della sensibilità rispetto alle pipeline LVK esistenti durante la terza corsa di osservazione (O3).

Metodologia
Gli autori hanno sviluppato una pipeline di ricerca ibrida che elabora i dati dai rilevatori LIGO Hanford (H1) e Livingston (L1). Il flusso di lavoro procede come segue:

1. Filtraggio Adattato e Generazione di Trigger: La pipeline esegue il filtraggio adattato utilizzando un banco di template di 97.802 forme d'onda BBH (approssimante SEOBNRv4 ROM) con masse componenti $> 2 M_\odot$ e un cutoff a bassa frequenza di 15 Hz. Un algoritmo di ricerca dei picchi identifica i trigger in cui il rapporto segnale-rumore (SNR) supera 4 in almeno un rilevatore, richiedendo un picco coincidente entro il tempo di percorrenza della luce ($\sim 10$ ms) nell'altro rilevatore.
2. Classificazione tramite Deep Learning: Per ogni secondo di dati, vengono selezionati i dieci template con il più alto SNR di rete. La serie temporale dell'SNR per questi template viene inserita in un modello di deep learning pre-addestrato (basato su un'architettura ResNet con strati convoluzionali e completamente connessi). Il modello elabora la serie temporale in 16 passi (incrementi di 1/16 s) attraverso una finestra di 1 secondo.
3. Statistica di Classifica: Il modello produce una previsione per ogni passo. La pipeline media queste previsioni passo dopo passo per i dieci template e seleziona l'unico template con la più alta previsione media come statistica di classifica per quel secondo.
4. Strategia di Addestramento: Il modello è stato addestrato su campioni di serie temporali SNR di 1 secondo derivati dai dati O3. Il dataset bilanciava rumore puro, rumore contaminato da glitch (identificato tramite Omicron) e segnali BBH iniettati. Fondamentalmente, la distribuzione delle iniezioni è stata controllata manualmente per garantire una rappresentazione sufficiente di sistemi ad alta massa, che sono spesso sottorappresentati nei priori astrofisici. I glitch sono stati allineati con le frequenze dei segnali per massimizzare l'interazione durante l'addestramento.
5. Stima della Significatività:
   • Tasso di Falsi Allarmi (FAR): Calcolato analizzando i dati spostati nel tempo (disaccoppiando i rilevatori di $> 10$ ms) per creare una distribuzione di background dei trigger di rumore.
   • Probabilità di Origine Astrofisica ($p_{astro}$): Calcolata utilizzando un fattore di Bayes segnale-versus-rumore, modellando il foreground (segnale) e il background (rumore) come processi di Poisson indipendenti. I parametri sono stati ottimizzati tramite campagne di iniezione per garantire che una soglia di $p_{astro} \ge 0,5$ corrisponda a un'intersezione specifica delle densità dei trigger di background e foreground.

Contributi Chiave e Risultati

• Benchmarking della Sensibilità: La pipeline è stata testata contro 83.815 segnali BBH iniettati dal set di iniezione GWTC-3. L'approccio ibrido ha dimostrato una sensibilità comparabile alle pipeline esistenti (PyCBC-BBH, GstLAL, ecc.) per masse di chirp nel frame della sorgente superiori a $25 M_\odot$. Tuttavia, la sensibilità è diminuita per segnali con masse di chirp inferiori a questa soglia e SNR di rete inferiori a 15.
• Rilevazioni Uniche: La ricerca ha prodotto 33 eventi candidati nei dati O3 che soddisfano i criteri di $p_{astro} \ge 0,5$ e FAR $< 2$ al giorno.
  • Recupero: 31 di questi candidati corrispondono a quelli nel catalogo GWTC-3 di LVK.
  • Candidati Nuovi/Unici: La ricerca ha identificato due candidati aggiuntivi:
    1. GW190605 025957: Precedentemente riportato solo dalla ricerca di modi di ordine superiore dell'Institute for Advanced Study (IAS). Gli autori notano potenziali problemi di qualità dei dati (un evento di rumore transiente) ma confermano la significatività del candidato nella loro pipeline.
    2. GW190929 091722: Un candidato precedentemente non riportato con un $p_{astro}$ di 0,63. La stima dei parametri suggerisce una massa totale elevata ($171^{+172}_{-58} M_\odot$), con una probabilità significativa che la componente primaria sia un buco nero di massa intermedia (IMBH) potenzialmente residente nel gap di instabilità della coppia.
• Confronto Deep Learning vs. Banco di Template: Uno studio comparativo utilizzando la pipeline PyCBC con lo stesso banco di template della ricerca di deep learning ha confermato che la capacità di rilevamento unico deriva dalla statistica di classifica del deep learning, non dalla scelta del banco di template. L'approccio di deep learning ha identificato significativamente più eventi unici (348 contro 23 in una specifica finestra di test) rispetto alla statistica standard di PyCBC.
• Candidati Mancati: Gli autori hanno analizzato 75 candidati mancati (eventi rilevati da altre pipeline ma non da questa ricerca). La maggior parte delle perdite è stata attribuita alla ridotta sensibilità della pipeline verso i sistemi a bassa massa (chirp mass $< 25 M_\odot$) e gli eventi a basso SNR. Altre perdite sono state causate da vincoli di progettazione, come i tagli dei segmenti di dati (primi 200s e ultimi 24s) e l'interferenza dei glitch con i template a lunga durata.

Significatività e Rivendicazioni

Il documento afferma che la proposta pipeline di ricerca ibrida identifica con successo una popolazione significativa di candidati unici di onde gravitazionali che vengono ignorati dalle tradizionali pipeline di filtraggio adattato che utilizzano statistiche di classifica standard. Sebbene il metodo presenti attualmente una sensibilità inferiore per i binari a bassa massa rispetto alle pipeline ottimizzate, la sua capacità di rilevare fusioni di BBH ad alta massa ed eventi unici dimostra il valore dell'integrazione di classificatori di deep learning nelle pipeline di ricerca GW.

Gli autori sottolineano che le rilevazioni uniche sono un risultato diretto della capacità del modello di deep learning di distinguere i segnali dal rumore nelle serie temporali SNR diversamente dai metodi statistici tradizionali. Concludono che, sebbene l'implementazione attuale richieda l'ottimizzazione per la sensibilità alle basse masse e la robustezza contro i glitch, l'approccio ibrido offre una strategia di ricerca complementare che potenzia il potenziale di scoperta complessivo delle corse di osservazione LVK. L'identificazione di GW190929 091722 come potenziale candidato IMBH evidenzia l'utilità della pipeline nell'esplorare regimi di massa estremi, anche se è necessaria un'ulteriore verifica (ad es., ricerche dedicate agli IMBH).