Incorporating neutron star physics into gravitational wave inference with physics-informed priors using normalizing flows

Wanneer twee dichte stellaire overblijfselen, zoals neutronensterren of zwarte gaten, naar elkaar toe spiralen en botsen, sturen ze rimpelingen door het weefsel van de ruimtetijd die bekend staan als zwaartekrachtgolven. Detectoren op aarde vangen deze zwakke signalen op, waardoor wetenschappers het universum kunnen beluisteren op een manier die slechts enkele decennia geleden nog onmogelijk was. Om te begrijpen wat er tijdens een botsing gebeurde, gebruiken onderzoekers een statistische methode om terug te rekenen van het geluid van de golven naar de eigenschappen van de objecten die ze veroorzaakten. Dit proces vereist het maken van onderbouwde gissingen over hoe die objecten eruit zouden kunnen zien voordat het signaal zelfs arriveert. Traditioneel hebben wetenschappers "agnostische" gissingen gebruikt, die geen voorkennis hebben over de massa's of interne structuren van de sterren, waarbij elke mogelijkheid als even waarschijnlijk wordt beschreven. Deze aanpak negeert echter een enorme hoeveelheid bestaande kennis over hoe materie zich gedraagt onder extreme druk en hoe neutronensterren over de melkweg verspreid zijn.

Een nieuwe studie stelt een slimmere manier voor om deze gissingen te hanteren. De onderzoekers hebben een methode ontwikkeld om de echte natuurkunde direct in de analyse van zwaartekrachtgolfsignalen te voeden. In plaats van te negeren wat we al weten over de interne samenstelling van neutronensterren of de typische massa's van deze objecten, hebben ze een systeem gebouwd dat deze informatie vanaf het begin incorporeert. Door gebruik te maken van een type kunstmatige intelligentie die getraind is op de wetten van de kernfysica en observaties van bekende sterren, creëerden ze een reeks "natuurkunde-geïnformeerde" verwachtingen. Wanneer deze methode werd toegepast op echte gegevens van drie specifieke kosmische botsingen, hielp het niet alleen bij het bevestigen van de aard van de botsende objecten, maar leverde het ook een veel scherper beeld van hun eigenschappen op dan eerdere methoden dat konden bereiken.

De kern van dit werk ligt in de manier waarop wetenschappers de gegevens van deze botsingen interpreteren. Wanneer een zwaartekrachtgolfsignaal wordt gedetecteerd, is het een complexe mix van informatie over de massa's van de objecten, hoe ze draaien en hoe hun interne structuren vervormen naarmate ze dichter bij elkaar komen. Om deze informatie te extraheren, vertrouwen onderzoekers op Bayesiaanse inferentie, een wiskundig kader dat de waarschijnlijkheid van een hypothese bijwerkt naarmate er nieuw bewijs arriveert. Het startpunt van deze bijwerking is de "prior", die vertegenwoordigt wat wetenschappers geloven waar te zijn voordat ze naar de nieuwe gegevens kijken. Jarenlang was de standaardpraktijk het gebruik van oninformatieve priors die aannemen dat elke massa of interne structuur mogelijk is, simpelweg omdat het veiliger leek om bias te vermijden. Toch weten we al heel veel over neutronensterren. We weten dat ze gemaakt zijn van ongelooflijk dichte materie die specifieke regels volgt, en we hebben de massa's van vele neutronensterren in ons eigen sterrenstelsel gemeten. De nieuwe studie betoogt dat het wegwerpen van deze kennis een gemiste kans is.

Om dit op te lossen, creëerde het team een flexibel systeem dat ons huidige begrip van neutronensterren-fysica direct in de analyse codeert. Ze begonnen met het verzamelen van beperkingen op de "toestandsvergelijking" (equation of state), wat essentieel een regelboek is dat beschrijft hoe materie zich gedraagt bij de extreme dichtheden die binnenin een neutronenster worden gevonden. Dit regelboek wordt gevoed door experimenten uit de kernfysica en observaties van pulsars, wat snel draaiende neutronensterren zijn. Ze verzamelden ook gegevens over hoe massief neutronensterren doorgaans zijn, gebaseerd op radiometingen van sterren in ons sterrenstelsel. Met deze informatie genereerden ze miljoenen gesimuleerde scenario's van hoe een botsing eruit zou kunnen zien als deze betrokken objecten waren die deze natuurkundige wetten naleefden.

Deze simulaties werden vervolgens gebruikt om een machine learning-model te trainen dat bekend staat als een "normalizing flow". Denk aan dit model als een zeer efficiënte kaartenmaker die de vorm leert van de meest waarschijnlijke fysieke scenario's. Eenmaal getraind, fungeert dit model als een geavanceerd filter. In plaats van de analyse toe te staan door elke theoretisch mogelijke combinatie van massa en interne structuur te dwalen, stuurt het de zoektocht naar de regio's waar de natuurkunde ons vertelt dat de objecten het meest waarschijnlijk bestaan. Dit stelt de analyse in staat om de aandacht te richten op de meest plausibele verklaringen, waardoor de resultaten nauwkeuriger en de conclusies robuuster worden.

De onderzoekers testten deze nieuwe aanpak op drie echte zwaartekrachtgolfgebeurtenissen die gedetecteerd zijn door observatoria in de Verenigde Staten, Italië en Japan. Het eerste evenement, GW170817, was een botsing tussen twee neutronensterren die ook werd gezien door telescopen die op zoek waren naar licht. Het tweede, GW190425, was een andere neutronensterbotsing, maar met zwaardere componenten. Het derde, GW230529, was een botsing tussen een neutronenster en een zwart gat, een gebeurtenis die voorheen moeilijk met zekerheid te classificeren was. In elk geval bood de natuurkunde-geïnformeerde methode een duidelijker beeld van het universum dan de traditionele, ongeleide aanpak.

Voor het eerste evenement, GW170817, bevestigde de nieuwe methode dat de botsende objecten inderdaad twee neutronensterren waren. Belangrijker nog, het stelde de onderzoekers in staat om onderscheid te maken tussen verschillende theorieën over de interne stijfheid van deze sterren. De gegevens gaven een sterke voorkeur aan een "zachte" toestandsvergelijking, wat betekent dat de materie binnenin de sterren relatief gemakkelijk samendrukbaar is. Deze conclusie kwam overeen met wat andere studies hadden gevonden door zwaartekrachtgolfgegevens te combineren met lichtobservaties, maar de nieuwe methode bereikte deze conclusie met alleen het zwaartekrachtgolfsignaal zelf. Het leverde ook een nauwkeurigere meting op van hoe ver de botsing plaatsvond, waardoor de geschatte afstand iets verder werd ingeschat dan eerdere analyses suggereerden.

Het tweede evenement, GW190425, vormde een puzzel omdat de botsende sterren veel zwaarder waren dan de typische neutronensterren die in ons sterrenstelsel worden gevonden. De traditionele analyse had moeite om hun exacte aard vast te stellen. De natuurkunde-geïnformeerde aanpak identificeerde hen echter duidelijk als een binair neutronenstersysteem, ondanks hun ongebruikelijke massa. Het onthulde ook dat de twee sterren waarschijnlijk niet van gelijk gewicht waren, een detail dat de oudere, ongeleide methoden hadden gemist. De analyse suggereerde een specifieke afstand voor dit evenement die aanzienlijk groter was dan voorheen gedacht, wat beter aansluit bij het feit dat het signaal relatief zwak was.

Het derde evenement, GW230529, betrof een neutronenster en een zwart gat. Omdat het signaal zwak was, was het moeilijk te bepalen wat de objecten precies waren of hoe ze draaiden. De nieuwe methode blonk hierin uit door de mogelijkheden te verkleinen. Het classificeerde het evenement beslist als een botsing tussen een neutronenster en een zwart gat, waarmee andere mogelijkheden met hoge zekerheid werden uitgesloten. Bovendien bood de analyse, door de fysieke beperkingen in te voegen, een veel nauwere schatting van de massaverhouding tussen de twee objecten. Dit gaf op zijn beurt een duidelijker beeld van de spin van het zwarte gat, die voorheen onzeker was. De methode schatte ook de geschatte afstand van dit evenement verder weg in, consistent met de zwakte van het signaal.

Een belangrijke bevinding over alle drie de gebeurtenissen was dat de natuurkunde-geïnformeerde priors consequent leidden tot grotere schattingen van de afstand tot de botsing. Dit gebeurde omdat de nieuwe methode de massa's van de objecten nauwer beperkte. Aangezien het signaal dat we horen afhangt van zowel de massa als de afstand, dwingt een nauwkeurigere kennis van de massa de afstandsberekening om zich aan te passen. In deze gevallen betekende de aanpassing dat de objecten verder weg waren dan voorheen gedacht. Deze verschuiving heeft reële gevolgen voor astronomen die zoeken naar het licht dat deze botsingen kan vergezellen, aangezien een verder gelegen object zwakker en moeilijker te spotten is.

De studie toonde ook aan dat deze aanpak kan dienen als een krachtig instrument om ambigue gebeurtenissen te ontrafelen. In het geval van GW230529 leverde de methode doorslaggevend bewijs voor de aard van de botsing, iets wat voorheen moeilijk te bereiken was met een zo zwak signaal. De onderzoekers lieten zien dat door de wetten van de natuurkunde te gebruiken om de zoektocht te sturen, zij meer informatie konden extraheren uit dezelfde gegevens zonder te hoeven wachten op luidere signalen of betere detectoren.

Vooruitblikkend benadrukken de onderzoekers dat hun methode is ontworpen om flexibel te zijn. Naarmate ons begrip van neutronensterren verbetert, of wanneer er nieuwe soorten observaties beschikbaar komen, kan het systeem worden bijgewerkt om deze nieuwe kennis op te nemen. Het vereist geen volledige herziening van het analyseproces; in plaats daarvan wordt simpelweg de kaart bijgewerkt die de computer gebruikt om door de gegevens te navigeren. Dit betekent dat naarmate we meer leren over de dichte materie binnenin sterren, ons vermogen om de geluiden van het universum te interpreteren automatisch zal verbeteren. Het werk vertegenwoordigt een verschuiving van het behandelen van de gegevens als een onbeschreven blad naar het behandelen van de gegevens als een gesprek met de bekende wetten van de natuur, waardoor we het universum met grotere helderheid kunnen horen.