[論文レビュー] Fast, flexible, and accurate evaluation of gravitational-wave Malmquist bias with machine learning

C. Talbot, E. Thrane|arXiv (Cornell University)|Dec 2, 2020

Pulsars and Gravitational Waves Research被引用数 5

ひとこと要約

本稿では、事前処理を施した密度推定とガウス・ミックスチャネル・モデルを用いた機械学習ベースの手法を提案し、重力波のマールムクイストバイアス評価の高速化と精度向上を実現する。モデルの複雑さを低減し、精度を向上させることで、効率的かつ高精度な選択関数推定が可能となり、従来手法の10–50％にとどまる範囲にとどまるのに対し、ブラックホールスピンモデルの99％以上をカバー可能となる。また、パラメータ空間の80％において不確実性が低減される。

ABSTRACT

Many astronomical surveys are limited by the brightness of the sources, and gravitational-wave searches are no exception. The detectability of gravitational waves from merging binaries is affected by the mass and spin of the constituent compact objects. To perform unbiased inference on the distribution of compact binaries, it is necessary to account for this selection effect, which is known as Malmquist bias. Since systematic error from selection effects grows with the number of events, it will be increasingly important over the coming years to accurately estimate the observational selection function for gravitational-wave astronomy. We employ density estimation methods to accurately and efficiently compute the compact binary coalescence selection function. We introduce a simple pre-processing method, which significantly reduces the complexity of the required machine learning models. We demonstrate that our method has smaller statistical errors at comparable computational cost than the method currently most widely used allowing us to probe narrower distributions of spin magnitudes. The currently used method leaves $10-50\\%$ of the interesting black hole spin models inaccessible; our new method can probe $>99\\%$ of the models and has a lower uncertainty for $>80\\%$ of the models.

研究の動機と目的

• 検出器カタログの拡大に伴い顕在化する選択バイアスの増大する課題に対処する。
• 狭く鋭いピークを持つスピン分布を精密に探査するための、従来のモンテカルロ統合手法の限界を克服する。
• 任意の母集団モデルに対して、計算コストが低く、高精度なコンパクト二重星合体の選択関数を推定するための計算効率の良い手法を開発する。
• 感度関数推定の向上により、ブラックホールスピンの大きさや向きといった天体物理学的パラメータの正確な推定を可能にする。
• 標準的なインジェクション再サンプリングに代えて学習済み密度推定器を導入することで、母集団研究における統計的不確実性と計算コストを低減する。

提案手法

• 回収済みの重力波インジェクション信号の集合に対して密度推定を適用し、検出可能な源の背後にある分布をモデル化する。
• 鋭いスペクトル特徴（例えば、事前分布の境界付近）を除去する前処理ステップを導入し、モデル化に適した単純化された分布を実現する。
• 検出信号の密度を近似するためにガウス・ミックスチャネル・モデル（GMM）を用い、高速かつ高精度な選択関数評価を可能にする。
• 学習済みGMMを用いてパラメータを周辺化することで、繰り返しモンテカルロ統合に依存せず、母集団レベルの検出確率 $ P_{\text{det}}(\Lambda) $ を計算する。
• 標準的なインジェクション再サンプリング手法と比較し、収束が十分に得られたモデルにおいて同等の精度を示すことを検証する。
• 感度に大きな影響を与える主要パラメータに合わせてGMMを学習することで、天体物理学的に直感的なパラメータ（例えば、コンポonent質量、スピンの大きさ）の効率的周辺化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 事前処理を施した密度推定は、標準的なインジェクション再サンプリングと比較して、重力波の選択関数計算の精度と効率を向上させることができるか？
• RQ2 本手法は、従来手法と比較して、ブラックホールスピンの大きさの狭く鋭いピークを持つ分布をどの程度まで探査できるか？
• RQ3 異なる母集団モデルにおいて、提案手法と現在の標準手法との間で、選択関数推定における統計的不確実性はどのように比較されるか？
• RQ4 前処理ステップは、正確な密度推定に必要な機械学習モデルの複雑さを顕著に低減するか？
• RQ5 任意の母集団モデルに本手法を適用しても、高い精度と低い計算コストを維持できるか？

主な発見

• 提案手法は、標準的なインジェクション再サンプリング手法と比較して、母集団モデルの80％以上において選択関数の統計的不確実性を低減した。
• 本手法は、ブラックホールスピンモデルの99％以上をカバー可能であるのに対し、標準手法では10–50％のモデルがアクセス不能である。
• 本手法は、狭いスピン分布に対して、標準的なインジェクション再サンプリングと同等またはそれ以上の精度を達成しつつ、計算コストを低く抑えている。
• 前処理ステップによりスペクトルアーチファクトが効果的に除去され、複雑なディープラーニングアーキテクチャの代わりに単純なガウス・ミックスチャネル・モデルでも高精度な密度推定が可能となった。
• 本手法により、任意の母集団モデルに対して、天体物理学的に関連のあるパラメータ（例えば、チルプマス、質量比、スピン）の効率的周辺化が可能となり、$ P_{\text{det}} $ の計算が可能となった。
• 結果はThe LIGO Scientific Collaboration et al. (2021b)の結果と整合的であるが、選択関数推定における不確実性が低減されている。