Searching for binary black hole mergers with deep learning in Advanced LIGO's third observing run

Resumo Técnico: Busca por Fusões de Buracos Negros Binários com Aprendizado Profundo na Terceira Observação Avançada do LIGO

Definição do Problema
A detecção de ondas gravitacionais (GWs) de coalescências binárias compactas tornou-se rotineira, mas a descoberta de candidatos novos e únicos continua sendo uma área de pesquisa crítica. Embora a Colaboração LIGO-Virgo-KAGRA (LVK) utilize pipelines de filtragem casada estabelecidos (ex: PyCBC, GstLAL, MBTA) e buscas de surtos não modelados (cWB), buscas offline independentes continuam a identificar candidatos adicionais e eventos únicos. As abordagens de aprendizado profundo existentes (ex: AresGW, Aframe) mostraram promessa, mas frequentemente sobrepõem-se significativamente aos catálogos padrão. O desafio abordado neste trabalho é desenvolver um pipeline de busca híbrido que combine a robustez da filtragem casada com as capacidades de reconhecimento de padrões do aprendizado profundo para identificar candidatos de buracos negros binários (BBH) de massa estelar a partir de dados de deformação (strain) de detectores, visando especificamente recuperar eventos únicos e comparar a sensibilidade com os pipelines LVK existentes durante a terceira observação (O3).

Metodologia
Os autores desenvolveram um pipeline de busca híbrido que processa dados dos detectores LIGO Hanford (H1) e Livingston (L1). O fluxo de trabalho procede da seguinte forma:

1. Filtragem Casada e Geração de Gatilhos: O pipeline realiza filtragem casada usando um banco de templates de 97.802 formas de onda de BBH (aproximante ROM SEOBNRv4) com componentes $> 2 M_\odot$ e um corte de baixa frequência de 15 Hz. Um algoritmo de busca de picos identifica gatilhos onde a razão sinal-ruído (SNR) excede 4 em pelo menos um detector, exigindo um pico coincidente dentro do tempo de viagem da luz ($\sim 10$ ms) no outro detector.
2. Classificação por Aprendizado Profundo: Para cada segundo de dados, os dez templates com a maior SNR de rede são selecionados. A série temporal de SNR para esses templates é alimentada em um modelo de aprendizado profundo pré-treinado (baseado em uma arquitetura ResNet com camadas convolucionais e totalmente conectadas). O modelo processa a série temporal em 16 etapas (incrementos de 1/16 s) através de uma janela de 1 segundo.
3. Estatística de Classificação: O modelo gera uma previsão para cada etapa. O pipeline calcula a média dessas previsões passo a passo para os dez templates e seleciona o único template com a maior previsão média como a estatística de classificação para aquele segundo.
4. Estratégia de Treinamento: O modelo foi treinado em amostras de séries temporais de SNR de 1 segundo derivadas de dados da O3. O conjunto de dados equilibrou ruído puro, ruído contaminado por glitches (identificados via Omicron) e sinais de BBH injetados. Crucialmente, a distribuição de injeção foi controlada manualmente para garantir representação suficiente de sistemas de alta massa, que são frequentemente sub-representados em priors astrofísicos. Os glitches foram alinhados com as frequências do sinal para maximizar a interação durante o treinamento.
5. Estimativa de Significância:
   • Taxa de Falso Alarme (FAR): Computada analisando dados deslocados no tempo (desacoplando os detectores em $> 10$ ms) para criar uma distribuição de fundo de gatilhos de ruído.
   • Probabilidade de Origem Astrofísica ($p_{astro}$): Calculada usando um fator de Bayes de sinal versus ruído, modelando o primeiro plano (sinal) e o segundo plano (ruído) como processos de Poisson independentes. Os parâmetros foram ajustados usando campanhas de injeção para garantir que um limiar de $p_{astro} \ge 0,5$ corresponda a uma interseção específica de densidades de gatilhos de fundo e primeiro plano.

Principais Contribuições e Resultados

• Benchmarking de Sensibilidade: O pipeline foi testado contra 83.815 sinais de BBH injetados do conjunto de injeção GWTC-3. A abordagem híbrida demonstrou sensibilidade comparável aos pipelines existentes (PyCBC-BBH, GstLAL, etc.) para massas de chirp no referencial da fonte superiores a $25 M_\odot$. No entanto, a sensibilidade caiu para sinais com massas de chirp abaixo desse limiar e SNRs de rede menores que 15.
• Detecções Únicas: A busca rendeu 33 candidatos de eventos em dados da O3 que atendem aos critérios de $p_{astro} \ge 0,5$ e FAR $< 2$ por dia.
  • Recuperação: 31 desses candidatos coincidem com os do catálogo GWTC-3 da LVK.
  • Candidatos Novos/Únicos: A busca identificou dois candidatos adicionais:
    1. GW190605 025957: Anteriormente relatado apenas pela busca de modos de ordem superior do Institute for Advanced Study (IAS). Os autores observam potenciais problemas de qualidade de dados (um evento de ruído transiente), mas confirmam a significância do candidato em seu pipeline.
    2. GW190929 091722: Um candidato anteriormente não relatado com um $p_{astro}$ de 0,63. A estimativa de parâmetros sugere uma massa total elevada ($171^{+172}_{-58} M_\odot$), com uma probabilidade significativa de que o componente primário seja um buraco negro de massa intermediária (IMBH) potencialmente residindo no hiato de instabilidade de par (pair-instability mass gap).
• Comparação entre Aprendizado Profundo e Banco de Templates: Um estudo comparativo usando o pipeline PyCBC com o mesmo banco de templates da busca de aprendizado profundo confirmou que a capacidade de detecção única provém da estatística de classificação do aprendizado profundo, e não da escolha do banco de templates. A abordagem de aprendizado profundo identificou significativamente mais eventos únicos (348 vs. 23 em uma janela de teste específica) do que a estatística padrão do PyCBC.
• Candidatos Perdidos: Os autores analisaram 75 candidatos perdidos (eventos detectados por outros pipelines, mas não por esta busca). A maioria das perdas foi atribuída à sensibilidade reduzida do pipeline para sistemas de baixa massa (massa de chirp $< 25 M_\odot$) e eventos de baixa SNR. Outras perdas foram causadas por restrições de design, como cortes de segmentos de dados (primeiros 200s e últimos 24s) e interferência de glitches com templates de longa duração.

Significância e Alegações
O artigo afirma que o pipeline de busca híbrido proposto identifica com sucesso uma população significativa de candidatos únicos de ondas gravitacionais que são perdidos pelos pipelines tradicionais de filtragem casada usando estatísticas de classificação padrão. Embora o método atualmente apresente menor sensibilidade para binários de baixa massa (em comparação com pipelines otimizados), sua capacidade de detectar fusões de BBH de alta massa e eventos únicos demonstra o valor de integrar classificadores de aprendizado profundo em pipelines de busca de GW.

Os autores enfatizam que as detecções únicas são um resultado direto da capacidade do modelo de aprendizado profundo de distinguir sinais de ruído nas séries temporais de SNR de forma diferente dos métodos estatísticos tradicionais. Eles concluem que, embora a implementação atual exija otimização para sensibilidade de baixa massa e robustez contra glitches, a abordagem híbrida oferece uma estratégia de busca complementar que amplia o potencial de descoberta das observações da LVK. A identificação de GW190929 091722 como um potencial candidato a IMBH destaca a utilidade do pipeline na exploração de regimes de massa extrema, mesmo que uma verificação adicional (ex: buscas dedicadas a IMBH) seja necessária.