Bayesian parameter estimation for the Core-bounce phase of Rapidly Rotating Core-Collapse Supernovae in real interferometric data

Sintesi Tecnica: Stima dei Parametri Bayesiana per la Fase di Rimbalzo del Nucleo di Supernove a Collasso del Nucleo in Rapida Rotazione in Dati Interferometrici Reali

Enunciato del Problema
Le Supernove a Collasso del Nucleo (CCSNe) sono obiettivi primari per l'astronomia delle Onde Gravitazionali (GW). Sebbene il segnale GW da questi eventi sia in gran parte stocastico, la fase di rimbalzo del nucleo in progenitori in rapida rotazione presenta caratteristiche deterministiche, specificamente una serie di picchi nel dominio del tempo. I precedenti sforzi di stima dei parametri (PE) hanno utilizzato simulazioni numeriche per comprendere questi segnali, affidandosi spesso al filtraggio adattato (matched filtering) o alla Massima Verosimiglianza (MLE) in rumore gaussiano. Tuttavia, vi è la necessità di affinare i modelli analitici fenomenologici per adattarli meglio alle banche dati di forme d'onda numeriche e di valutare la robustezza dei metodi di PE bayesiana quando applicati a rumore interferometrico reale, non gaussiano e non stazionario (in particolare i dati LIGO O3aL1). Inoltre, la capacità di vincolare l'Equazione di Stato (EOS) nucleare utilizzando questi segnali rimane una questione aperta critica.

Metodologia
Gli autori propongono una nuova metodologia incentrata su un modello analitico fenomenologico esteso per la fase di rimbalzo del nucleo.

1. Estensione del Modello: Costruendo su un modello precedente di Villegas et al. (2024), gli autori introducono un ulteriore parametro libero, $s$, che rappresenta la scala temporale (larghezza) dei picchi gaussiani nella forma d'onda. Il modello originale fissava questo valore; il nuovo modello ne permette la variazione. Il modello descrive la deformazione $h_+(t)$ come una somma di tre campane gaussiane, dove le ampiezze dipendono dal parametro rotazionale $\beta$ (rapporto tra energia cinetica ed energia potenziale gravitazionale) e da un terzo parametro di ampiezza del picco $\alpha$ (legato all'EOS), mentre le posizioni dei picchi dipendono dal tempo di rimbalzo $\tau$.
2. Fonti dei Dati: Lo studio utilizza tre cataloghi di forme d'onda numeriche:
   • Un sottoinsieme di 126 forme d'onda dal catalogo di Richers et al. (2017).
   • 452 forme d'onda di Relatività Generale (GR) dal catalogo di Abylkairov et al. (2025) (escludendo le approssimazioni GREP).
   • Il catalogo di Mitra et al. (2023) per controlli di coerenza.
     Gli autori verificano la coerenza tra i cataloghi utilizzando i Fattori di Adattamento (FF) e il confronto di modelli bayesiano.
3. Validazione: Il modello esteso è validato contro le banche dati numeriche utilizzando:
   • Analisi del Fattore di Adattamento: Confronto del modello analitico con le forme d'onda numeriche con $s$ fisso rispetto a $s$ libero.
   • Confronto di Modelli Bayesiano: Utilizzo del Nested Sampling per calcolare il Fattore di Bayes tra modelli con un numero variabile di parametri (da 1 a 4 parametri) per determinare la complessità ottimale del modello.
4. Stima dei Parametri (PE): La PE è eseguita utilizzando un'implementazione Markov Chain Monte Carlo (MCMC) (campionatore Bilby) in due ambienti di rumore:
   • Rumore colorato gaussiano basato sulla Densità Spettrale di Potenza (PSD) di LIGO.
   • Rumore interferometrico reale dalla campagna di osservazione LIGO O3aL1.
     Lo studio indaga la sensibilità delle distribuzioni a posteriori a diverse scelte di prior (Uniforme, Log-Uniforme, Triangolare e Uniforme in $\beta^2$).
5. Stima dell'EOS: È proposta una relazione di legge di potenza tra i parametri stimati $\alpha$ e $\beta$ per discriminare tra diversi modelli EOS (SFHo, HSDD2, GShenFSU2.1).

Contributi e Risultati Chiave

• Miglioramento del Modello: Estendere il modello analitico per includere il parametro libero di scala temporale $s$ ha migliorato il fattore di adattamento mediano con le forme d'onda del catalogo Richers dall'88,88% al 90,83%. Sia il confronto di modelli bayesiano (tramite Fattori di Bayes) che l'analisi del Fattore di Adattamento supportano la preferenza per il modello a quattro parametri ($\alpha, \beta, \tau, s$) rispetto a modelli più semplici.
• Accuratezza della Stima dei Parametri:
  • Utilizzando il rumore reale O3aL1, il parametro rotazionale $\beta$ è stato stimato per 452 segnali dal catalogo Abylkairov. L'errore relativo assoluto mediano è stato del 11,93% (95° percentile: 38,41%) a una distanza di 10 kpc.
  • L'incertezza complessiva è stata $\sigma_\beta = 1,083 \times 10^{-3}$ a 10 kpc. Ciò rappresenta un miglioramento rispetto ai risultati precedenti ottenuti con filtraggio adattato e MLE in rumore reale, che riportavano $\sigma_\beta = 1,46 \times 10^{-2}$.
• Sensibilità ai Prior: Lo studio ha quantificato il bias introdotto da diversi prior. Nel rumore O3 reale a 10 kpc, il bias nella stima di $\beta$ è variato da un minimo dello 0,6% (prior Triangolare) a un massimo dell'11,9% (prior Uniforme in $\beta^2$). Il parametro $s$ è risultato essere il più sensibile alla selezione del prior.
• Classificazione EOS: È stato testato un classificatore basato sul residuo tra $\alpha$ stimato e la curva di legge di potenza adattata per un dato $\beta$. Nel caso senza rumore, l'accuratezza di classificazione è stata del 76,2%. Ciò è peggiorato con la distanza e il rumore (44,0% a 10 kpc). Tuttavia, raggruppando EOS simili (SFHo e GShenFSU2.1 come Gruppo A; LS220 e HSDD2 come Gruppo B), l'accuratezza è migliorata al 66,3% a 10 kpc. Gli autori notano che LS220 è stato escluso dall'analisi finale a causa di vincoli sui parametri di energia di simmetria.

Significato e Affermazioni
Il lavoro afferma che l'inferenza bayesiana è uno strumento adeguato per la stima dei parametri delle CCSNe utilizzando modelli di forme d'onda motivati fisicamente e rumore interferometrico reale. Il significato primario risiede nel dimostrare che:

1. Estendere i modelli fenomenologici con parametri motivati fisicamente (come la scala temporale del rimbalzo) migliora l'adattamento alle simulazioni numeriche.
2. La PE bayesiana in rumore reale produce vincoli migliori sul parametro rotazionale $\beta$ rispetto ai precedenti approcci MLE/filtraggio adattato in condizioni di rumore simili.
3. La scelta dei prior bayesiani influisce significativamente sul bias dei parametri stimati, rendendo necessarie studi di robustezza quando non sono disponibili rilevamenti precedenti.
4. Sebbene la discriminazione EOS sia possibile, le prestazioni sono attualmente limitate dalla somiglianza tra certi modelli EOS e dal degrado del rapporto segnale-rumore con la distanza. Gli autori suggeriscono che una rete di interferometri potrebbe migliorare i risultati di stima di un fattore $\sqrt{N}$.

Il lavoro stabilisce una base per future ricerche sulle GW ed estende il quadro a potenziali reti di rivelatori futuri (ad esempio, Cosmic Explorer, Einstein Telescope), notando che i risultati a 1 kpc nei rivelatori attuali potrebbero essere rappresentativi di 10 kpc negli strumenti di prossima generazione.