Parameter Estimation Horizon of Core-Collapse Supernovae with Current and Next-Generation Gravitational-Wave Detectors

Sintesi Tecnica: Orizzonte di Stima dei Parametri delle Supernove da Collasso del Nucleo con Rilevatori di Onde Gravitazionali Attuali e di Prossima Generazione

Enunciato del Problema
Le supernove da collasso del nucleo (CCSNe) rappresentano una classe distinta di emettitori di onde gravitazionali (GW) che offrono una sonda unica e non ostacolata del motore centrale della supernova. Mentre le osservazioni elettromagnetiche forniscono informazioni sull'esito dell'esplosione, esse sono oscurate durante il primo secondo critico in cui l'onda d'urto viene energizzata profondamente all'interno del involucro stellare. Al contrario, le GW e i neutrini sfuggono immediatamente, codificando la dinamica della materia stellare. Una sfida primaria nell'astronomia delle GW è l'inferenza dei parametri della sorgente dalla forma d'onda, in particolare per i progenitori in rapida rotazione dove la rotazione influenza significativamente il meccanismo di esplosione (ad esempio, magnetorotazionale contro guidato dai neutrini). Gli studi attuali fanno spesso affidamento su condizioni idealizzate, trascurando incertezze osservative realistiche come tempi di rimbalzo sconosciuti, strutture dei progenitori variabili e inclinazione della sorgente. Questo lavoro affronta la fattibilità della stima di parametri fisici chiave — specificamente la frequenza di picco ($f_{\text{peak}}$), l'ampiezza di picco normalizzata per la distanza ($D\Delta h$) e il parametro di rotazione ($T/|W|$) — sotto vincoli osservativi realistici utilizzando l'apprendimento automatico (ML).

Metodologia
Gli autori hanno impiegato un framework di apprendimento automatico basato sulla regressione per inferire parametri fisici dai segnali GW generati da CCSNe rotanti.

• Dataset: Lo studio ha utilizzato un catalogo di 1.332 forme d'onda calcolate utilizzando il codice relativistico CoCoNuT. Il dataset comprende quattro modelli di progenitori con metallicità solare (12, 15, 27 e 40 $M_\odot$) e sei equazioni di stato (EOS) nucleari. La rotazione è stata campionata nell'intervallo $T/|W| \in [0.02, 0.18]$. L'analisi si è concentrata su una finestra di 8 ms centrata sul rimbalzo ($[-2, 6]$ ms) per isolare i segnali di rimbalzo e di decadimento iniziale, evitando la fase di convezione prompt scarsamente catturata nelle simulazioni 2D.
• Iniezione del Segnale e Pre-elaborazione: I segnali sono stati iniettati nel rumore del rilevatore del rilevatore Hanford di Advanced LIGO (A+) (dati O4a) e in rumore gaussiano simulato che rappresenta le sensibilità di progetto dei rilevatori di prossima generazione: l'Einstein Telescope (ET) e il Cosmic Explorer (CE). Per simulare condizioni realistiche, è stata introdotta un'incertezza sul tempo di rimbalzo ($\Delta t_b$) fino a 20 ms. I dati sono stati elaborati utilizzando finestramento di Tukey, sbiancamento e filtraggio passa-banda (20–2000 Hz).
• Modelli di Apprendimento Automatico: Sono stati valutati sette algoritmi di regressione classici: Ridge, Lasso, Random Forest Regressor (RFR), Support Vector Regression (SVR), CatBoost, LightGBM (LGB) e XGBoost (XGB). I modelli sono stati ottimizzati mediante ricerca a griglia con convalida incrociata a 5 fold.
• Rappresentazioni di Input: Lo studio ha confrontato i dati di deformazione (strain) nel Dominio del Tempo (TD) con le rappresentazioni nel Dominio della Frequenza (FD) (magnitudini della trasformata di Fourier).
• Metriche di Valutazione: Le prestazioni sono state quantificate utilizzando l'Errore Percentuale Assoluto Medio (MAPE). L'analisi ha incluso test "hold-one-out" per la generalizzazione dell'EOS e della massa del progenitore, nonché valutazioni su vari angoli di inclinazione della sorgente e distanze.

Contributi e Risultati Chiave

1. Selezione del Modello: I metodi di gradient boosting hanno superato significativamente i modelli lineari (Ridge, Lasso) e altri approcci non lineari (RFR, SVR). XGBoost (XGB) è emerso come il modello più accurato, ottenendo punteggi MAPE del 6,70% per $T/|W|$, del 2,92% per $f_{\text{peak}}$ e del 6,81% per $D\Delta h$ a una distanza di riferimento di 10 kpc con orientamento ottimale.
2. Impatto dell'Incertezza sul Tempo di Rimbalzo: Una scoperta critica è la sensibilità differenziale delle rappresentazioni TD e FD all'incertezza temporale. Quando è stata introdotta un'incertezza di 20 ms sul tempo di rimbalzo, le prestazioni del modello basato su TD sono peggiorate drasticamente (il MAPE per $T/|W|$ è salito al 32,01%). Al contrario, il modello basato su FD è rimasto robusto (MAPE $\approx$ 7,36%), poiché la magnitudine di Fourier è invariante rispetto agli spostamenti temporali. Ciò stabilisce le caratteristiche FD come superiori per l'inferenza realistica in cui i tempi esatti di rimbalzo sono sconosciuti.
3. Generalizzazione alla Variabilità Fisica: I modelli hanno dimostrato forti capacità di generalizzazione. Quando addestrati su sottoinsiemi di EOS o masse di progenitori e testati su casi tenuti fuori, i punteggi MAPE sono rimasti stabili e bassi. Ciò indica che i parametri inferiti sono in gran parte indipendenti dall'EOS specifico o dalla massa del progenitore utilizzati per l'addestramento, a condizione che la distribuzione del momento angolare sia simile.
4. Impatto dell'Inclinazione della Sorgente: La stima dei parametri è altamente sensibile all'angolo di inclinazione della sorgente ($\theta$). Per basse inclinazioni ($\theta \leq 30^\circ$, dove l'asse di rotazione si allinea con la linea di vista), l'ampiezza del segnale è soppressa ($\propto \sin^2 \theta$), portando a un degrado significativo delle prestazioni per i parametri dipendenti dall'ampiezza ($T/|W|$ e $D\Delta h$), con un MAPE che supera il 30%. Tuttavia, $f_{\text{peak}}$ è rimasta relativamente robusta anche a basse inclinazioni.
5. Orizzonte di Rilevamento:
   • Rilevatori Attuali (A+): La stima affidabile dei parametri (MAPE $\leq 20\%$) è limitata a distanze galattiche, circa 15 kpc.
   • Rilevatori di Prossima Generazione: L'Einstein Telescope (ET) estende l'orizzonte affidabile a $\sim$200 kpc, mentre il Cosmic Explorer (CE) lo estende a $\sim$350 kpc.
   • Robustezza dei Parametri: Anche a distanze fino a 2000 kpc, $f_{\text{peak}}$ può essere stimata con alta precisione, mentre $T/|W|$ e $D\Delta h$ richiedono una vicinanza maggiore o rilevatori di sensibilità superiore.

Significato
Il documento afferma che l'apprendimento automatico, in particolare l'uso di caratteristiche nel dominio della frequenza e di gradient boosting, fornisce un metodo vitale e robusto per inferire i parametri delle CCSN dai segnali GW in condizioni osservative realistiche. Dimostrando che l'analisi nel dominio della frequenza mitiga il problema critico dei tempi di rimbalzo sconosciuti, il lavoro supporta lo sviluppo di pipeline di inferenza pratiche per i futuri osservatori di GW. I risultati suggeriscono che, mentre i rilevatori attuali sono limitati a eventi galattici per il recupero dettagliato dei parametri, i rilevatori di terza generazione espanderanno significativamente l'orizzonte di stima dei parametri, consentendo lo studio delle CCSN extragalattiche e offrendo nuovi vincoli sulla fisica del motore centrale, inclusa la rotazione e l'equazione di stato. Lo studio riconosce le limitazioni, notando che l'analisi è ristretta a modelli rotanti, finestre temporali brevi e osservazioni di singoli rilevatori, lasciando gli effetti di rete e la complessità completa del segnale per future indagini.