gwsnr: A Python package for efficient signal-to-noise ratio calculations of gravitational waves

技術要約：gwsnr: 重力波の信号対雑音比計算を効率化するPythonパッケージ

問題提起
重力波（GW）解析は、コンパクト連星の検出確率（$P_{\text{det}}$）を評価するために、信号対雑音比（SNR）に大きく依存している。Bilby、PyCBC、GstLALといった確立されたソフトウェア・スイートは、ベイズ推論やマッチドフィルタ探索のための高精度なツールを提供しているが、数百万件ものシミュレーションイベントにわたる最適SNR（$\rho_{\text{opt}}$）および $P_{\text{det}}$ の高速かつ反復的な評価には最適化されていない。従来のノイズ重み付き内積を用いる手法は、大規模な集団研究、レート推定、および選択効果を含む階層的ベイズ推論において、計算コストが極めて高い。既存の機械学習による代替案（例：ニューラルネットワーク分類器やエミュレータ）は、高速ではあるものの硬直性に悩み、特定の訓練データに依存し、異なる検出器構成や波形モデルへの汎用性に欠け、さらに境界付近での誤差が集中するため、境界付近の事象を誤分類するリスクがある。

手法
gwsnr パッケージは、効率的な検出可能性計算に特化したモジュール式フレームワークを提供することで、これらのボトルネックに対処する。本ソフトウェアは、検出器のパワースペクトル密度（PSD）、アンテナ応答、波形モデル、およびソースパラメータによってパラメータ化された、統一されたインターフェースの下で複数の計算パスを実行する。精度と速度のバランスを取るため、以下の3つの主要な戦略を採用している。

1. 加速された直接積分: スピン歳差運動を伴う系やサブドミナントモードを持つ波形を含む一般的なケースに対し、gwsnr は標準的な周波数領域の内積を実行する。このパスは、Pythonのマルチプロセッシング、アンテナパターンの生成における numba.njit による即時コンパイル（JIT）、および ripplegw ライブラリを統合したオプションのJAXバックエンドによって加速される。
2. 部分的スケーリング補間: 非スピンおよび整列スピン連星に対して、本パッケージはFINDCHIRPスケーリングに基づく根本的に高速な手法を利用する。本手法では、$\rho_{1/2} = D_{\text{eff}} M^{5/6} \rho_{\text{opt}}$ と定義される部分スケール化されたSNR（$\rho_{1/2}$）を事前計算し、これらの値を局所的な三次エルミートスプラインを用いた多次元不規則グリッド上に格納する。新しいSNR値は、補間と再スケーリングを通じて回収される。この手法は、CPU（numba経由）およびGPU（Apple Silicon用のMLXおよびNvidia用のJAX経由）の両方での実行をサポートしており、劇的な高速化を実現している。
3. 人工ニューラルネットワーク（ANN）による推定: 補間が幾何学的に困難な複雑な波形設定のための補助的なパスとして、gwsnr はTensorFlowおよびscikit-learnを用いたANN推定を含んでいる。このアプローチは、部分スケール化されたSNR量を利用することで、入力の次元数を15個のパラメータから5個へと削減する。ユーザーは、特定の検出器および集団設定に合わせてカスタムモデルを訓練することができる。

近似手法に固有の境界分類エラーを軽減するため、gwsnr はハイブリッド・ワークフローを採用している。まず補間またはANNを用いて初期SNRを推定し、検出閾値（$\rho_{\text{th}}$）付近のイベントを特定した後、それらの特定の系に対してのみ直接内積法による厳密な再計算を行う。これにより、集団の大部分については補間の速度を維持しつつ、重要な検出境界付近での信頼性を確保している。

検出確率については、$\rho_{\text{opt}}$ またはノイズ実現された観測SNR（$\rho_{\text{obs}}$）に閾値を適用することで $P_{\text{det}}$ を算出する。定常ガウス雑音の仮定の下、$\rho_{\text{obs}}$ を正規乱数として、あるいは $\rho_{\text{obs}}^2$ を非中心 $\chi^2$ 変数としてモデル化し、単一検出器およびネットワーク構成の両方をサポートする。

主な結果と性能
論文によれば、部分的スケーリング補間法は、従来のノイズ重み付き内積計算（具体的にはBilbyを参照）に対して99.5%を超える精度を達成している。性能面では、GPU加速実装により、最大ケースで約100万個の $\rho_{\text{opt}}$ 値を約200ミリ秒で処理することが可能であり、これはBilbyに対して約5,000倍の高速化に相当する。補間グリッドの生成は一度限りのコスト（1分未満）であり、その後の numba コンパイルオーバーヘッドは無視できる程度である。

意義と主張
著者らは、gwsnr を、以前は計算的に不可能であった大規模な集団レベルの天体物理シミュレーションを可能にする、独自の学術的役割を担う「検出可能性エンジン」として位置づけている。その主な実現されたインパクトは、ler (LVK Event Rate) ソフトウェアパッケージ内のコアとなる検出可能性計算機としての統合であり、これにより、検出可能な無レンズおよび強レンズ重力波イベントのシミュレーションと、その発生率の計算が容易になった。本ソフトウェアはLIGO-Virgo-Kagra (LVK) 科学コラボレーション内での正式な査読を経ており、執筆時点でのダウンロード数は400回を超え、PyPIで公開されている。著者らは、gwsnr がカスタムの検出器、波形、および集団パラメータに合わせて調整された独立したシミュレーションパイプラインを正常にサポートしており、広範な推論パッケージと硬直的な機械学習エミュレータとの間のギャップを埋めていると主張している。