Joint inference for gravitational-wave signal and noise glitch: Method and application

Resumo Técnico: Inferência Conjunta para Sinal de Ondas Gravitacionais e Glitch de Ruído

Definição do Problema
Os observatórios de ondas gravitacionais (OG) são frequentemente contaminados por transientes de ruído não gaussianos e não estacionários conhecidos como "glitches". Esses artefatos, que ocorrem aproximadamente uma vez por minuto, degradam a precisão da inferência astrofísica ao confundir os pipelines de busca e enviesar a estimativa de parâmetros quando sobrepõem-se a eventos reais de OG. Embora as estratégias de mitigação existentes incluam a excisão de dados (remoção de segmentos afetados) ou a subtração de glitch (modelagem e remoção do glitch antes da inferência), esses métodos possuem limitações. A excisão sacrifica informações astrofísicas, e os métodos de subtração podem deixar resíduos de potência do glitch que ainda assim enviesam os resultados. Além disso, a interpretação de eventos específicos, como GW191109 e GW200129, mostrou depender fortemente da estratégia de mitigação de glitch escolhida e do aproximante de forma de onda, levando por vezes a conclusões conflitantes em relação às propriedades de spin de buracos negros.

Metodologia
Os autores apresentam o bilby_glitch, um pipeline de análise modular projetado para a inferência bayesiana simultânea de sinais de OG e glitches de ruído. Construído sobre o amplamente utilizado framework bilby, o pipeline modifica a verossimilhança de Whittle padrão para tratar os dados $d$ como uma soma linear de ruído gaussiano estacionário $n$, um modelo de glitch $g(\gamma)$ e uma forma de onda de sinal $h(\theta)$:
$$d = n + g(\gamma) + h(\theta)$$
Para lidar com a complexidade computacional da amostragem conjunta de parâmetros de sinal e de glitch de alta dimensão, o pipeline realiza a marginalização analítica sobre a distância de luminosidade.

O framework suporta inferência transdimensional, onde o número de componentes de glitch $N$ é tratado como um parâmetro discreto amostrado diretamente dos dados usando o pacote tBilby (que emprega parâmetros fantasmas/ghost parameters). O artigo implementa três modelos de glitch distintos para acomodar diferentes morfologias:

1. Modelo de Espalhamento Lento (Slow Scattering Model): Um modelo fisicamente motivado para glitches de luz espalhada, caracterizado por movimento sinusoidal na banda de microssismos, gerando múltiplos arcos de espalhamento.
2. Wavelets Sine-Gaussian: Uma superposição flexível de wavelets sine-Gaussian (semelhante ao bayeswave) capaz de ajustar uma ampla gama de morfologias de glitch não modeladas.
3. Chirplets: Uma generalização de wavelets que inclui um parâmetro de taxa de chirp, permitindo evolução de frequência ao longo do tempo. Embora sejam menos eficazes para subtração de glitch geral devido ao aumento da dimensionalidade, são notadas por sua capacidade de mimetizar sinais de OG, servindo como um caso de teste rigoroso para mitigação de viés.

Principais Resultados
O pipeline foi validado e aplicado através das seguintes análises:

• Validação por Simulação:

  • Espalhamento Lento: Usando 145 sinais simulados de buracos negros binários (BBH) com glitches de espalhamento lento sobrepostos, o pipeline recuperou com sucesso os parâmetros do sinal dentro dos intervalos de credibilidade esperados. A inferência conjunta aumentou o tempo de execução computacional em aproximadamente 50% em comparação com a análise de apenas o sinal.
  • Mitigação de Viés de Chirplet: Em um caso de teste onde um glitch de chirplet foi projetado para enviesar a inferência astrofísica, o framework de inferência conjunta reconstruiu com sucesso tanto o sinal quanto o glitch. Os resultados demonstraram que a modelagem do glitch concomitantemente com o sinal é necessária para produzir estimativas não enviesadas de parâmetros binários (ex: massa de chirp, razão de massa e parâmetros de spin), enquanto negligenciar o glitch levou a vieses significativos.

• Aplicação a Eventos Reais:

  • GW191109: Reanalisado utilizando o modelo transdimensional de espalhamento lento. Os resultados foram consistentes com análises anteriores (Udall et al.), recuperando posteriors similares para parâmetros intrínsecos. Notavelmente, a abordagem transdimensional favoreceu $N=2$ arcos de espalhamento em vez dos $N=5$ assumidos no trabalho anterior, embora isso não tenha alterado significativamente as conclusões astrofísicas.
  • GW200129: Reanalisado utilizando inferência conjunta com wavelets sine-Gaussian e dois aproximantes de forma de onda: NRSur7dq4 e IMRPhenomXPHM. O estudo descobriu que a evidência para precessão de spin é altamente dependente da interação entre o modelo de forma de onda e o modelo de glitch.
    • Quando utilizando NRSur7dq4 combinado com a modelagem de glitch baseada em wavelets, a evidência para precessão de spin foi significativamente mais fraca ($\chi_p \approx 0.52$), consistente com os achados de Payne et al.
    • Por outro lado, o uso de IMRPhenomXPHM com a mesma modelagem de glitch baseada em wavelets resultou em forte evidência para precessão de spin ($\chi_p \approx 0.67$).
    • Essa divergência destaca que os sistemas de erro da forma de onda desempenham um papel crítico na interpretação deste evento, e que a inferência conjunta pode alterar a força da evidência para fenômenos físicos específicos dependendo da escolha da forma de onda.

Significância e Alegações
Os autores posicionam o bilby_glitch como um passo significativo para a integração da mitigação robusta de glitches diretamente nos fluxos de trabalho padrão de estimativa de parâmetros de OG. Ao aproveitar a infraestrutura existente do bilby, a ferramenta permite que os usuários realizem inferência conjunta sem adotar um framework de análise separado. O artigo alega que, embora a inferência conjunta seja computacionalmente cara, ela é essencial para produzir inferências astrofísicas não enviesadas, particularmente para eventos onde os glitches sobrepõem-se ao sinal no tempo e na frequência.

Os autores declaram explicitamente que o artigo serve como um "marco" para facilitar este tipo de inferência conjunta. Eles enfatizam a modularidade do código, observando que, embora a implementação atual inclua três modelos específicos, o framework é projetado para permitir que pesquisadores incorporem facilmente modelos de glitch adicionais (como os de Bondarescu et al. ou Malz e Veitch) no futuro. O artigo conclui modestamente, reconhecendo que, embora melhore a robustez, o custo computacional continua sendo um desafio, e que trabalhos futuros devem focar no desenvolvimento de amostradores mais adequados para espaços de parâmetros de alta dimensão, multimodais e transdimensionais.