[論文レビュー] A fully-automated end-to-end pipeline for massive black hole binary signal extraction from LISA data

Michael L. Katz|arXiv (Cornell University)|Nov 1, 2021

Pulsars and Gravitational Waves Research参考文献 74被引用数 35

ひとこと要約

本論文は、ブルートフォース探索、ヘテロダインベースの尤度最大化、パラメータ推定を用いて、LISAデータから大質量ブラックホール二重星（MBHB）信号を完全に自動化されたGPUアクセラレートされたエンドツーエンドのパイプラインで抽出する手法を提示する。この手法は、人為的介入なしに1時間未満で事後分布が収束し、ノイズなしおよびノイズありのLDC-1Aデータセットの両方で高い精度のパラメータ回復を達成しており、特に高調波モードを含むより現実的な波形モデルにより、源の特徴付けが向上している。

ABSTRACT

The LISA Data Challenges Working Group within the LISA Consortium has started publishing datasets to benchmark, compare, and build LISA data analysis infrastructure as the Consortium prepares for the launch of the mission. We present our solution to the dataset from LISA Data Challenge (LDC) 1A containing a single massive black hole binary signal. This solution is built from a fully-automated and GPU-accelerated pipeline consisting of three segments: a brute-force initial search; a refining search that uses the efficient Likelihood computation technique of Heterodyning (also called Relative Binning) to locate the maximum Likelihood point; and a parameter estimation portion that also takes advantage of the speed of the Heterodyning method. This pipeline takes tens of minutes to evolve from randomized initial parameters throughout the prior volume to a converged final posterior distribution. Final posteriors are shown for both datasets from LDC 1A: one noiseless data stream and one containing additive noise. A posterior distribution including higher harmonics is also shown for a self-injected waveform with the same source parameters as is used in the original LDC 1A dataset. This higher-mode posterior is shown in order to provide a more realistic distribution on the parameters of the source.

研究の動機と目的

• LISAデータからの大質量ブラックホール二重星（MBHB）信号抽出のための、完全に自動化され、エンドツーエンドのデータ解析パイプラインを開発すること。人為的介入や信号の事前知識を一切不要とする。
• 非定常的ノイズや機器効果を含む現実的なLISAデータ環境下でも、迅速かつ正確なMBHBパラメータ推定を可能とすること。
• ヘテロダイン（相対的ビニング）などの効率的な尤度計算技術を用いて、LISAデータにおける高精度のベイズ推論の実現可能性を示すこと。
• 波形モデルに高調波モードを組み込むことで、支配的モード（l=m=2）を超えるパラメータ制約を強化し、より現実的な事後分布を提供すること。
• 複数の源が存在する状況や、将来のLISAデータチャレンジにおける重複信号を含む状況に拡張可能なスケーラブルなフレームワークを構築すること。

提案手法

• パイプラインは、MBHBパラメータの全事前分布領域をブルートフォースで探索するが、GPU計算により高次元パラメータ空間を効率的に処理できるように加速されている。
• その後の最尤推定の改善ステップでは、標準的なマッチドフィルタリングと比較して計算コストを著しく削減できる、ヘテロダイン（相対的ビニング）手法を用いて高速かつ正確な尤度評価を実現している。
• パラメータ推定フェーズでは、同じヘテロダイン手法を活用して事後分布を効率的に計算し、信号パラメータにおける完全なベイズ推論を可能としている。
• この手法は、ノイズなしと現実的なLISA機器ノイズ（SciRDv1カーブ）を含む2つのLDC-1Aデータセットに適用されている。両方のデータセットに1つのMBHBインジェクションが含まれている。
• より現実的な事後分布を得るため、l=m=2、l=3,m=2、およびl=2,m=1モードを含む高調波モードを組み込んだ波形モデルが使用されている。
• パイプラインは完全に自動化されており、手動のチューニングや事前知識が不要で、標準的なGPUハードウェア上でも1時間未満で収束する。

実験結果

リサーチクエスチョン

• RQ1 完全に自動化され、GPUアクセラレートされたパイプラインは、初期パラメータをランダムに設定した状態から1時間未満で正確なMBHBパラメータ推定を達成できるか？
• RQ2 波形モデルに高調波モードを組み込むことで、事後分布やパラメータ制約にどのような影響を与えるか？
• RQ3 ヘテロダイン（相対的ビニング）尤度手法は、現実的なLISAノイズ環境下でも効率的かつ正確な尤度最大化を可能にするか？
• RQ4 非定常的ノイズやデータギャップをLDC-1Aデータセットでモデル化した場合、パイプラインの耐性はどの程度か？
• RQ5 信号が合体・リングダウン段階で重複する可能性がある複数の源の状況に、この手法を拡張できるか？

主な発見

• パイプラインは、ノイズなしおよびノイズありの両方のLDC-1AデータセットからMBHB信号を正常に抽出し、人為的介入なしに1時間未満で収束した事後分布を生成した。
• 外部パラメータ（赤経、赤緯、偏光角、軸傾き）の事後分布は良好に制約されており、ノイズありデータセットにおいても真のインジェクション値を1σ、2σ、3σの等高線がよく囲んでいる。
• 波形モデルに高調波モードを組み込むことで、より現実的できつい事後分布が得られ、支配的モードのみを用いた解析と比較してパラメータの不確実性が低下した。
• ヘテロダイン（相対的ビニング）手法により、効率的な尤度計算が可能となり、パイプラインは全事前分布領域を探索し、最尤点に迅速に収束した。
• ノイズありデータセットにおける正確な源パラメータ回復から、実際のLISAノイズ環境下でも本手法の耐性が裏付けられ、将来的なLISAデータチャレンジへの対応可能性が確認された。
• パイプラインはスケーラブルかつ拡張可能であり、合体・リングダウンの重複がまれな場合に限っては、グローバルフィッティングにより複数のMBHBや重複信号を処理できる可能性を有している。