Identifying lensed gravitational waves with physics-informed posterior learning

Resumo Técnico: Identificação de Ondas Gravitacionais com Lente através de Aprendizado de Posterior Baseado em Física

Definição do Problema
A detecção de ondas gravitacionais (GWs) provenientes de coalescências de binários compactos oferece um caminho para testar a gravidade e a cosmologia, mas a identificação de eventos com efeito de lente gravitacional permanece um desafio significativo. Embora eventos com lentes possam fornecer visões repetidas do mesmo evento de fusão para restringir estruturas de matéria escura e distâncias cosmológicas, distinguir eventos com lentes de múltiplos eventos de fusão não relacionados que ocorrem dentro da mesma janela de análise é difícil. Os métodos atuais têm dificuldade quando um sinal de múltiplas imagens com lente é confundido com fusões não relacionadas que coincidem no tempo. As abordagens existentes ou dependem de sobreposições de posteriors e consistência de atraso temporal (o que pode ser computacionalmente caro ou ambíguo) ou de assinaturas de evento único (como microlente). Classificadores de aprendizado profundo oferecem velocidade, mas frequentemente carecem de controle explícito sobre a consistência da fonte física que distingue imagens com lente de eventos não relacionados. O objetivo é construir um sistema de classificação de eventos que separe efetivamente sinais de múltiplas imagens com lente de eventos de múltiplas fusões não relacionados fisicamente relevantes, sem exigir conhecimento prévio do potencial da lente, da contagem de imagens ou dos atrasos temporais.

Metodologia
Os autores propõem uma estrutura de "aprendizado de posterior baseado em física" que aproveita a consistência da óptica geométrica. Neste regime, a lente altera as amplitudes das imagens, os tempos de chegada e os deslocamentos de fase de Morse, mas preserva a evolução de fase intrínseca da fonte. O método foca em uma projeção de baixa dimensão dos parâmetros da fonte: a massa de chirp no referencial do detector ($M_{c,z}$) e a razão de massa simétrica ($\eta$).

A arquitetura consiste em três componentes integrados:

1. Classificador de Forma de Onda Direta: Uma rede residual unidimensional (ResNet) que mapeia dados de séries temporais branqueadas dos detectores LIGO Hanford (H1) e Livingston (L1) diretamente para uma pontuação de lente. Isso serve como uma linha de base medindo o desempenho baseado puramente na morfologia da forma de onda.
2. Estimador de Posterior Neural (NPE): Um modelo treinado por simulação que infere uma distribuição posterior aproximada, $q_\phi(\vartheta_{ph}|x)$, sobre os parâmetros de fonte comum ($\log M_{c,z}, \eta$) para uma determinada forma de onda. Este estimador é treinado exclusivamente em simulações de múltiplas imagens com lente. Na inferência, ele gera amostras de posterior tanto para eventos com lente quanto para eventos não relacionados. Para eventos não relacionados, a hipótese de "fonte comum forçada" resulta em um posterior amplo ou dividido, enquanto eventos com lente produzem um posterior compacto consistente com uma única fonte.
3. Classificador de Fusão: Uma rede com portão de atenção que combina as características da forma de onda direta com as amostras do posterior. As amostras do posterior são tratadas como um conjunto não ordenado, incorporadas via um MLP pontual e agregadas usando pooling invariante à permutação. Essas características são então fundidas com as características da forma de onda direta via atenção cruzada e um portão sigmoide aprendido. Isso permite que o modelo utilize informações de consistência de fonte para reclassificar eventos ambíguos, retendo evidências da forma de onda quando a inferência do posterior é ruidosa.

Estratégia de Treinamento e Avaliação
O sistema é treinado usando simulações genéricas de múltiplas imagens onde o número de imagens (2–5), fatores de amplitude, atrasos temporais e fases de Morse são amostrados de priors amplos, sem rotular famílias específicas de lentes físicas. Isso garante que o modelo aprenda consistência de fonte geral em vez de morfologias de lentes específicas.

• Avaliação em Dados Não Utilizados (Held-out): O modelo é testado em quatro famílias específicas de lentes físicas — Massa Pontual (PM), Esfera Isotérmica Singular (SIS), Esfera Isotérmica Singular Elipsoidal (SIE) e SIE com cisalhamento externo (SIE+Shear) — que não foram usadas como rótulos de treinamento. Isso testa a generalização da tarefa de classificação entre diferentes potenciais de lente.
• Dados: Simulações injetam sinais de binários de buracos negros (BBH) não rotativos em segmentos de fundo pré-vetados do O4 do GW Open Science Center.
• Métricas: O desempenho é avaliado por meio de ROC-AUC, PR-AUC e eficiência de detecção (recall) em taxas de falsos positivos (FPR) fixas, especificamente 1% e 0,1%.

Principais Resultados

• Ganhos de Desempenho: O classificador de fusão com portão de atenção supera a linha de base da forma de onda direta. Em média, sobre as quatro famílias de lentes não utilizadas, o modelo de fusão atinge uma ROC-AUC de 0,844 comparada a 0,785 para o classificador direto.
• Eficiência de Detecção: Em um limiar de FPR de referência de 1%, o método de fusão eleva a eficiência de detecção de 20,8% para 35,2% para a população de BBH motivada observacionalmente.
• Redução de SNR: A relação sinal-ruído (SNR) da rede necessária para 50% de eficiência de detecção é reduzida de 45,3 para 33,5. Isso corresponde a um aumento de 1,35 vezes na escala de distância equivalente de SNR ($D_{50}$).
• Generalização: Os ganhos são mais pronunciados para lentes SIE e SIE+Shear, onde a elipticidade e o cisalhamento ampliam as configurações de imagem, tornando a consistência da fonte menos ligada a geometrias de imagem específicas. O ramo do conjunto de posterior sozinho apresenta desempenho pobre (ROC-AUC ~0,59), confirmando que seu valor reside na fusão com a morfologia da forma de onda.
• Limitações: A melhoria é limitada por eventos de múltiplas fusões não relacionados "fortes" que são parcialmente consistentes com a fonte (ou seja, suas massas de componentes por acaso alinham-se no plano de massa). A cauda de falsos positivos é dominada por esses eventos específicos, temporalmente compactos e de alto SNR.

Significância e Alegações
O artigo afirma que a consistência física pode servir como um princípio orientador para buscas de aprendizado de máquina em catálogos densos de ondas gravitacionais. Ao codificar o fato da óptica geométrica de que a lente preserva a evolução de fase intrínseca, o método fornece uma estatística de classificação robusta que se generaliza entre diferentes famílias de lentes sem exigir rótulos de modelos de lentes específicos durante o treinamento.

Os autores enfatizam que este é um estudo controlado usando BBHs não rotativos e dados de H1/L1. Eles alertam que as taxas de falsos alarmes relatadas são diagnósticos baseados em populações simuladas específicas e devem ser recalibradas para buscas no mundo real usando a população real de múltiplas fusões não relacionados do catálogo alvo. O estudo sugere que melhorias futuras podem vir da incorporação da consistência da posição no céu (consistência de resposta do detector) conforme a localização da rede melhora com mais detectores (ex: KAGRA, LIGO-India), o que restringiria ainda mais a hipótese de "múltiplas fusões não relacionados". Em última análise, o trabalho demonstra que posteriors aproximados treinados por simulação podem efetivamente preencher a lacuna entre a classificação rápida de formas de onda e verificações rigorosas de consistência física.