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

Technische Samenvatting: Parameter-schattingshorizon van kerninstortings-supernova's met huidige en volgende generatie zwaartekrachtsgolf-detectors

Probleemstelling
Kerninstortings-supernova's (CCSNe) vertegenwoordigen een distincte klasse van zwaartekrachtsgolf (GW)-emitters die een unieke, onbelemmerde sonde bieden van de centrale motor van de supernova. Waar elektromagnetische waarnemingen informatie verschaffen over het explosie-uitkomst, worden deze verduisterd tijdens de kritieke eerste seconde wanneer de schok diep binnen de steromhulling wordt opgewekt. Daarentegen ontsnappen GW's en neutrino's onmiddellijk, en coderen ze de dynamiek van het sterrenmateriaal. Een primaire uitdaging in de GW-astronomie is het afleiden van bronparameters uit het golfvormsignaal, met name voor snel roterende progenitors waarbij rotatie de explosiemechaniek significant beïnvloedt (bijvoorbeeld magnetorotatieel versus neutrino-gedreven). Huidige studies vertrouwen vaak op geïdealiseerde omstandigheden, waarbij realistische waarnemingsonzekerheden zoals onbekende terugslagtijden, variërende progenitorstructuren en broninclinatie worden verwaarloosd. Dit werk adresseert de haalbaarheid van het schatten van sleutelfysische parameters – specifiek de piekfrequentie ($f_{\text{peak}}$), de op afstand genormaliseerde piekamplitude ($D\Delta h$), en de rotatieparameter ($T/|W|$) – onder realistische waarnemingsbeperkingen met behulp van machine learning (ML).

Methodologie
De auteurs maakten gebruik van een regressie-gebaseerd machine learning-kader om fysische parameters af te leiden uit GW-signalen gegenereerd door roterende CCSNe.

• Dataset: De studie gebruikte een catalogus van 1.332 golfvormen berekend met de relativistische CoCoNuT-code. De dataset omvat vier progenitormodellen met zonnemetalliciteit (12, 15, 27 en 40 $M_\odot$) en zes nucleaire toestandsvergelijkingen (EOS). Rotatie werd gesampled over $T/|W| \in [0.02, 0.18]$. De analyse concentreerde zich op een 8 ms venster gecentreerd rond de terugslag ($[-2, 6]$ ms) om de terugslag en vroege ring-down signalen te isoleren, waarmee de slecht vastgelegde directe convectiefase in 2D-simulaties werd vermeden.
• Signaalinjectie en Preprocessing: Signalen werden geïnjecteerd in detectorruis van de Advanced LIGO (A+) Hanford-detector (O4a-gegevens) en gesimuleerde Gaussische ruis die de ontwerpsensitiviteiten van volgende generatie detectors vertegenwoordigt: de Einstein Telescope (ET) en Cosmic Explorer (CE). Om realistische omstandigheden te simuleren, werd een onzekerheid in de terugslagtijd ($\Delta t_b$) van maximaal 20 ms geïntroduceerd. De gegevens werden verwerkt met behulp van Tukey-windowing, whitening en bandpass-filtering (20–2000 Hz).
• Machine Learning-modellen: Zeven klassieke regressie-algoritmen werden geëvalueerd: Ridge, Lasso, Random Forest Regressor (RFR), Support Vector Regression (SVR), CatBoost, LightGBM (LGB) en XGBoost (XGB). De modellen werden geoptimaliseerd via grid search met 5-voudige kruisvalidatie.
• Inputrepresentaties: De studie vergeleek tijd-domein (TD) strain-data met frequentie-domein (FD) representaties (Fourier-transformatie magnitudes).
• Evaluatiemetrieken: De prestaties werden gekwantificeerd met de Mean Absolute Percentage Error (MAPE). De analyse omvatte "hold-one-out" tests voor EOS- en progenitormassa-generalisatie, evenals evaluaties over variërende broninclinatiehoeken en afstanden.

Belangrijkste Bijdragen en Resultaten

1. Modelselectie: Gradient boosting-methoden presteerden significant beter dan lineaire modellen (Ridge, Lasso) en andere niet-lineaire benaderingen (RFR, SVR). XGBoost (XGB) bleek het meest accurate model, met MAPE-scores van 6,70% voor $T/|W|$, 2,92% voor $f_{\text{peak}}$ en 6,81% voor $D\Delta h$ bij een referentie-afstand van 10 kpc met optimale oriëntatie.
2. Invloed van Onzekerheid in Terugslagtijd: Een cruciale bevinding is de differentiële gevoeligheid van TD- en FD-representaties voor timing-onzekerheid. Wanneer een onzekerheid in de terugslagtijd van 20 ms werd geïntroduceerd, degradeerde de prestatie van het op TD gebaseerde model drastisch (MAPE voor $T/|W|$ steeg naar 32,01%). Daarentegen bleef het op FD gebaseerde model robuust (MAPE $\approx$ 7,36%), aangezien de Fourier-magnitude invariant is voor tijdsverschuivingen. Dit vestigt FD-kenmerken als superieur voor realistische inferentie waar exacte terugslagtijden onbekend zijn.
3. Generalisatie naar Fysische Variabiliteit: De modellen vertoonden sterke generalisatievermogens. Wanneer getraind op subsets van EOS's of progenitormassa's en getest op vastgehouden gevallen, bleven de MAPE-scores stabiel en laag. Dit geeft aan dat de afgeleide parameters grotendeels onafhankelijk zijn van de specifieke EOS of progenitormassa die voor training werd gebruikt, mits de impulsmomentverdeling vergelijkbaar is.
4. Invloed van Broninclinatie: Parameterschatting is zeer gevoelig voor de hoek van de broninclinatie ($\theta$). Voor lage inclinaties ($\theta \leq 30^\circ$, waarbij de rotatieas uitgelijnd is met de gezichtlijn), wordt de signaalamplitude onderdrukt ($\propto \sin^2 \theta$), wat leidt tot significante prestatiedegradeatie voor amplitude-afhankelijke parameters ($T/|W|$ en $D\Delta h$), met MAPE's die 30% overschrijden. Echter, $f_{\text{peak}}$ bleef relatief robuust, zelfs bij lage inclinaties.
5. Detectiehorizon:
   • Huidige Detectors (A+): Betrouwbare parameterschatting (MAPE $\leq 20\%$) is beperkt tot Galactische afstanden, ongeveer 15 kpc.
   • Volgende Generatie Detectors: De Einstein Telescope (ET) breidt de betrouwbare horizon uit tot $\sim$200 kpc, terwijl Cosmic Explorer (CE) deze uitbreidt tot $\sim$350 kpc.
   • Robuustheid van Parameters: Zelfs op afstanden tot 2000 kpc kan $f_{\text{peak}}$ met hoge precisie worden geschat, terwijl $T/|W|$ en $D\Delta h$ dichtere nabijheid of detectors met hogere sensitiviteit vereisen.

Betekenis
Het artikel stelt dat machine learning, specifiek het gebruik van frequentie-domein kenmerken en gradient boosting, een levensvatbare en robuuste methode biedt voor het afleiden van CCSN-parameters uit GW-signalen onder realistische waarnemingsomstandigheden. Door aan te tonen dat frequentie-domein-analyse het kritieke probleem van onbekende terugslagtijden mitigeert, ondersteunt het werk de ontwikkeling van praktische inferentie-pijplijnen voor toekomstige GW-observatoria. De resultaten suggereren dat terwijl huidige detectors beperkt zijn tot Galactische gebeurtenissen voor gedetailleerde parametersherwinning, detectors van de derde generatie de horizon voor parameterschatting aanzienlijk zullen uitbreiden, waardoor het bestuderen van extragalactische CCSNe mogelijk wordt en nieuwe beperkingen biedt op de fysica van de centrale motor, inclusief rotatie en de toestandsvergelijking. De studie erkent beperkingen, waarbij wordt opgemerkt dat de analyse beperkt is tot roterende modellen, korte tijdvensters en waarnemingen met een enkele detector, waardoor netwerkeffecten en volledige signaalcomplexiteit voor toekomstig onderzoek worden achtergelaten.