Deglobalising the fit: how to search for physics beyond vacuum General Relativity in LISA catalogues

技術要約：フィットの脱グローバル化：LISAカタログにおける真空一般相対性理論を超えた物理学の探索法

問題提起
レーザー干渉計宇宙アンテナ（LISA）は、約$10^7$個の重なり合う重力波信号を観測することが予想されており、すべての波源を同時に抽出するために「グローバルフィット」を行う必要がある。現在の計画では、まずすべてのバイナリ系に対して真空一般相対性理論（GR）モデルを用いた初期のグローバルフィットを行う。その後の科学的調査（真空GRからの逸脱のテストなど）は、計算コストが極めて高いグローバルフィットを新しい物理モデルごとにやり直すのではなく、公開されたカタログのポストプロセッシング（後処理）に依存することが期待されている。

しかし、著者らは、二段階のポストプロセッシング戦略（摂動源を除去した後にターゲットとなる波源のみをフィットさせる手法）における決定的な欠陥を指摘している。それは、重なり合う波源間の相関により、摂動源が初期の真空フィットにおいて「非真空の効果」の一部を吸収してしまうことである。これらの偏った摂動源が差し引かれると、吸収された効果もデータから取り除かれてしまい、再解析に到達することはない。その結果、ポストプロセッシングは存在する偏差の検出に失敗する（マスキング）、あるいは、摂動源を単なる既知のパラメータとしてではなく、信号を吸収しうるフィットされたパラメータとして扱うため、不当に厳格な上限値を報告してしまう（過剰な自信）可能性がある。

手法
本論文は、このマスキング効果を定量化し軽減するために、**線形信号近似（linear-signal approximation）**に基づくフレームワークを開発している。

1. 幾何学的および統計的定式化：
   著者らは、ノイズ共分散で重み付けされた内積を用いてデータ空間をモデル化している。彼らは「真空多様体」（パラメータ $\theta_v$ および摂動源 $\theta_c$）と「真空を超えた方向」（$\theta_b$）を定義する。真空を超えた効果は、データ空間におけるモデルの変位を引き起こす。この変位のうち、真空多様体の接平面内に位置する成分は、真空パラメータおよび摂可能源の調整によって吸収される。直交する成分のみが観測可能となる。

   • グローバルフィットでは、直交成分はターゲットの真空パラメータと摂動源が張る空間（$V \oplus C$）へと投影される。
   • ポストプロセッシングでは、摂動源が差し引かれ（実質的に固定され）、ターゲットの真空パラメータ（$V$）のみが効果を吸収することになる。

2. 検出統計量と比率：
   著者らは、両方の戦略に対する検出統計量を導出している。ポストプロセッシングにおける情報の損失を特徴付けるために、2つの重要な無次元量を導入している。

   • マスキング比（$R$）： 強力な偏差が存在する場合、$R$ は検出有意性が減少する係数である。もしグローバルフィットが $n\sigma$ で偏差を検出した場合、ポストプロセッシングでは $R n\sigma$ として報告される。
   • ヌル比（$R_0$）： 偏差が存在しない場合、$R_0$ は上限値の過剰な自信を定量化する。これは、事後分布の幅がグローバルフィットと比較してどの程度縮小するかを表し、上限値が $\sqrt{R_0}$ の係数分だけ不当に厳しくなることを意味する。
   • 生存比（Survival Ratio）： $R^2$ と $R_0$ の加重平均であり、あらゆる規模の効果に対してポストプロセッシングを通過する期待統計量の割合を示す。

3. 計算による推定と波源の選択：
   決定的なことに、著者らは $R$ と $R_0$ が、グローバルフィットをやり直すことなく、初期の真空グローバルフィットの事後分布サンプルから直接推定できることを示している。彼らは、どの特定の摂動源がマスキングに最も寄与しているかを特定するための**貪欲アルゴリズム（greedy algorithm）**を提案している。

   • このアルゴリズムは、ターゲット自身の真空パラメータを投影した後、どれだけの「真空を超えた方向」を再現（吸収）できるかに基づいて、摂動源をランク付けする。
   • ターゲットとこれら最も相関の高い摂動源の集合 $S$ を共同で再フィットさせた後の「残留マスキング比」（残ったマスキング）が十分に1に近づくまで、これらを反復的に追加していく。
   • これにより、全グローバルフィットの感度を、計算コストのわずかな部分で回収する「ダウンスケールされた」再解析が可能になる。

4. 平均化された手法 vs 単純なポストプロセッシング：
   論文では、「単純な」ポストプロセッシング（最良フィットの摂動パラメータを差し引く）と「平均化された」ポストプロセッシング（摂動パラメータの事後分布の不確実性を周辺化する）を比較している。

   • 単純なポストプロセッシングは計算コストが低く、偏差の検出には適している（より高い有意性）が、ヌルテストにおいては、よりタイトで、潜在的に過剰な自信を持つ上限値をもたらす。
   • 平均化されたポストプロセッシングは、事後分布を広げることで、グローバルフィットと統計的に一致する上限値を回復させるが、検出有意性を最大で $\sqrt{2}$ 倍減少させる。

主な結果
本手法は、21個の重なり合うチャープ・サイン波（ターゲット1つ、摂動源20個）を用いた玩具モデルと、完全なマルコフ連鎖モンテカルロ（MCMC）推論を用いて検証されている。

• 比率の検証： 線形信号近似による $R$ と $R_0$ の予測は、MCMCの結果と統計的誤差の範囲内で一致した。例えば、真空注入の場合、ポストプロセッシングによる不確実性は、予測される $R$ と一致する係数分、グローバルフィットよりも狭くなっていた。
• バイアスの回復： 真空を超えた効果を注入した場合、単純なポストプロセッシングは、偏った値（真空側にシフトした値）を、減少した有意性とともに回収した。貪欲アルゴリズムによって特定された特定の摂動源（玩具モデルにおけるグループB）をターゲットと共に共同で再フィットさせることで、真の値と有意性を正常に回復し、フル・グローバルフィットに密接に一致させることができた。
• 非線形性と展開点： 研究では、摂動源のランキングが展開点（真空を超えたパラメータの値）に依存する場合があることが指摘された。ヌルポイントのランキングではあるグループが支配的であったが、注入された真の値で評価するとランキングが逆転した。著者らは、堅牢な波源選択を確実にするために、展開点をスイープするか、あるいは反復的に更新することを提案している。
• 平均化戦略： 平均化されたポストプロセッシング戦略は、真空の場合に上限値を適切に較正できたが、真空を超えたケースでは検出有意性を低下させた。これは、理論的なトレードオフを裏付けている。

意義と主張
本論文は、LISAのデータに対して、あらゆる仮説のためにグローバルフィット全体をやり直す必要なく、一般相対性理論やその他の真空を超えたモデルをテストするための、計算効率が高く実用的な「レシピ」を提供すると主張している。

• 実現可能性： ポストプロセッシングにおける感度の損失を定量化し、相関のある摂動源のサブセットのみを選択的に再フィットさせることで、それを最小限に抑えられることを示している。
• LISAへの適用性： この手法は、初期の真空グローバルフィットから放出される事後分布サンプルを使用するように設計されている。これにより、科学コミュニティは、どの波源がダウンスケールされた再解析を必要とし、どの波源を単独で分析しても安全であるかを判断できる。
• 堅牢性： 著者らは、事後分布サンプルから導出された彼らの推定器が、線形信号近似からの逸脱（曲率効果、非ガウス的事後分布など）に対して堅牢であり、LISAの打ち上げ前に戦略を検証するために、現実的な模擬データセット（Mojitoデータセットなど）に適用可能であることを主張している。
• 系統誤差： このフレームワークは、ある波源の波形系統誤差や計器のアーティファクトが、どのように重なり合う他の波源にバイアスを伝播させ、GRからの偏差を模倣する可能性があるかを研究する方法も提供する。

著者らは、控えめなトーンを維持しており、線形信号近似には限界（曲率効果、非ガウス的事後分布など）があること、また最終的な波源の選択には反復的な精緻化や保守的な閾値が必要になる可能性があることを認めている。彼らは、玩具モデルは単純であったものの、その形式はLISAに予想される複雑で高次元なデータに直接適用可能であることを強調している。