The Generalization Gap in Machine Learning EoS Inference from Core-Collapse Supernova Gravitational Waves

Sintesi Tecnica: Il Gap di Generalizzazione nell'Inferenza dell'EoS tramite Machine Learning da Onde Gravitazionali di Supernovae a Collasso Nucleare

Definizione del Problema
Le supernovae a collasso nucleare (CCSNe) emettono onde gravitazionali (GW) durante le fasi di rimbalzo del nucleo (core bounce) e del primo post-rimbalzo, trasportando informazioni sull'equazione di stato (EoS) della materia densa. La letteratura recente ha proposto l'uso del machine learning (ML) per inferire i parametri dell'EoS (specificamente l'incompressibilità nucleare $K_0$, l'energia di simmetria $J$ e la sua pendenza $L$) direttamente dalle forme d'onda GW. Tuttavia, questi studi si affidano tipicamente alla standard cross-validation (CV) casuale, in cui le forme d'onda vengono rimescolate tra i set di addestramento e di test. Tale approccio rischia il "template leakage" (perdita di informazioni dai template), dove il modello memorizza i manifold geometrici di specifici template di simulazione condivisi tra i set, invece di apprendere correlazioni fisiche trasferibili. La questione centrale affrontata è se i modelli ML possano generalizzare in modo robusto a famiglie di EoS e configurazioni di rotazione interamente assenti dal catalogo di addestramento, o se il loro successo sia meramente un artefatto dell'interpolazione all'interno di un set di simulazioni finito e sparso.

Metodologia
Gli autori effettuano un audit di molteplici architetture ML (Ridge Regression, Random Forest, Multi-Layer Perceptron e LightGBM) utilizzando due distinti protocolli di validazione sul catalogo Richers (1.764 forme d'onda assialsimmetriche che spaziano su 21 etichette EoS e 98 profili di rotazione) e sul catalogo Mitra (402 forme d'onda attraverso 4 masse di progenitori):

1. Random 5-Fold CV: Shuffling standard delle forme d'onda.
2. Leave One EoS Out (LOEO) CV: Una strategia di validazione raggruppata in cui tutte le forme d'onda di una singola EoS vengono escluse dall'addestramento e utilizzate esclusivamente per il test. Questo processo viene ripetuto per tutti i 21 label EoS.
3. Estrazione di Caratteristiche Fisiche: Per mitigare la memorizzazione di template ad alta dimensionalità, gli autori hanno testato i modelli utilizzando osservabili a bassa dimensionalità e fisicamente interpretabili: ampiezza di rimbalzo ($A_{bounce}$), larghezza di rimbalzo ($w_{bounce}$) e frequenza di picco post-rimbalzo ($f_{peak}$).
4. Compiti Comparativi: Lo studio confronta la regressione dell'EoS con la classificazione della massa del progenitore e la regressione continua della massa (utilizzando la validazione Leave One Mass Out) per isolare gli effetti della degenerazione fisica rispetto alla scarsità del catalogo.
5. Stress Test: I modelli sono stati valutati in condizioni di rumore di Advanced LIGO (aLIGO, SNR=100) per valutare la robustezza contro le perturbazioni del detector.

Risultati Chiave

• Collasso delle Prestazioni sotto LOEO: Sotto la CV casuale, i regressori LightGBM hanno raggiunto coefficienti di determinazione elevati ($R^2 \approx 0,60\text{--}0,70$) per $(K_0, J, L)$. Tuttavia, sotto la validazione LOEO, le prestazioni sono crollate. I modelli hanno prodotto valori di $R^2$ aggregati negativi (varianti tra $-0,65$e$-1,06$), indicando prestazioni peggiori rispetto alla semplice predizione del valore target globale. Gli Errori Assoluti Medi (MAE) sono stati sostanziali (ad esempio, $44,57$ MeV per $K_0$).
• Persistenza tra le Architetture: Questo fallimento di generalizzazione è stato coerente tra modelli lineari, random forest, reti neurali e alberi di decisione potenziati (gradient boosted trees).
• Limitazioni delle Caratteristiche Fisiche: Limitare gli input a osservabili fisiche a bassa dimensionalità ha ridotto leggermente il divario di prestazione, ma non è riuscito a ripristinare un'inferenza affidabile fuori distribuzione (out-of-distribution). I valori di $R^2$ sotto LOEO sono rimasti negativi e il MAE è rimasto comparabile ai baseline medi.
• Degenerazione e Scarsità: Il fallimento è attribuito a due fattori:
  1. Degenerazione Fisica: Il segnale di rimbalzo è ampiamente indipendente dall'EoS e dominato dai parametri di rotazione ($T/|W|$). La dipendenza dall'EoS appare nelle oscillazioni post-rimbalzo, ma le correlazioni tra le caratteristiche estratte ($f_{peak}$, ecc.) e i target dell'EoS sono deboli (correlazioni di Spearman $< 0,2$).
  2. Scarsità del Catalogo: Lo spazio dei target è sparso (11 triplette uniche di $(K_0, J, L)$ per 21 label). Anche quando le triplette di target duplicate sono state rimosse tramite la validazione "Leave One Target Triplet Out", le prestazioni non sono recuperate, confermando un genuino problema di trasferimento di famiglia di forme d'onda.
• Contrasto con la Classificazione della Massa: A differenza della regressione dell'EoS, la classificazione della massa del progenitore ha generalizzato in modo robusto a velocità di rotazione non viste (l'accuratezza è aumentata dal $58,7\%$ al $76,1\%$ sotto GroupKFold). Tuttavia, la regressione continua della massa su progenitori non visti è fallita, comprimendo le predizioni verso l'interno della griglia di massa (ad esempio, predendo $\sim 17 M_\odot$ per una sorgente reale di $12 M_\odot$).
• Sensibilità al Rumore: L'introduzione del rumore aLIGO ha soppresso anche la prestazione della CV casuale, rendendo i valori di $R^2$ negativi per gli input di serie temporali grezze, suggerendo che il "successo" nella CV casuale priva di rumore dipenda da strutture fragili e specifiche del template.

Significatività e Rivendicazioni
Il documento sostiene che le attuali pipeline di ML per l'analisi delle GW di CCSN siano probabilmente in grado di fare overfitting sul catalogo di simulazioni specifico piuttosto che apprendere la fisica sottostante. Gli autori affermano che:

1. La validazione standard è insufficiente: La cross-validation casuale produce risultati eccessivamente ottimistici a causa del template leakage.
2. Interpolazione $\neq$ Inferenza: I modelli ML possono interpolare all'interno dei cataloghi esistenti, ma non possono attualmente estrapolare a modelli EoS o configurazioni di rotazione non visti.
3. Vincoli Fisici: Le osservabili GW disponibili sono intrinsecamente degenerate rispetto ai parametri dell'EoS quando la rotazione e la struttura del progenitore variano, rendendo inaffidabile la ricerca diretta waveform-to-EoS senza ulteriori vincoli.

Conclusione e Raccomandazioni
Gli autori concludono che il ML non debba essere visto come una diretta tabella di lookup "waveform-to-EoS". Invece, le future pipeline devono adottare protocolli di validazione "leave family out" (come LOEO) come requisito standard di reporting. Per ottenere un'inferenza fisica robusta, il campo deve muoversi verso:

• Architetture informate dalla fisica che condizionino esplicitamente su rotazione e informazioni sul progenitore.
• Inferenza basata sulla simulazione con prior espliciti sui parametri di disturbo (nuisance parameters).
• Apprendimento attivo (active learning) per espandere i cataloghi nelle regioni di alto errore di generalizzazione.
• Condizionamento multi-messaggero (ad esempio, vincoli da neutrini o segnali elettromagnetici) per rompere le degenerazioni.

Questo studio funge da "audit di generalizzazione", avvertendo che, senza una rigorosa validazione fuori distribuzione, l'inferenza dell'EoS basata sul ML per i detector di terza generazione (come l'Einstein Telescope o il Cosmic Explorer) potrebbe produrre stime di parametri eccessivamente sicure e fisicamente errate.