[論文レビュー] Machine Learning Model of the Swift/BAT Trigger Algorithm for Long GRB Population Studies

P. B. Graff, A. Y. Lien+2 more|arXiv (Cornell University)|Sep 3, 2015

Gamma-ray bursts and supernovae参考文献 47被引用数 3

ひとこと要約

本稿では、長期間のガンマ線バースト（GRB）のためのSwift/BATトリガー・アルゴリズムを正確にエミュレートする機械学習モデルを開発し、従来のフラックスベースのしきい値よりも著しく検出効率のモデリングを改善した。シミュレートされたGRBデータを用いて、ランダムフォレストおよびAdaBoostモデルは97％以上の精度を達成し、インパルスGRBの固有のレート分布に対する高速かつ完全ベイズ推論を可能にした。その結果、$ n_0 \sim 0.48^{+0.41}_{-0.23} \, \text{Gpc}^{-3}\text{yr}^{-1} $ の局所的レート密度と、$ z_1 \sim 6.8^{+2.8}_{-3.2} $ のブレーク赤方偏移が得られた。

ABSTRACT

To draw inferences about gamma-ray burst (GRB) source populations based on Swift observations, it is essential to understand the detection efficiency of the Swift burst alert telescope (BAT). This study considers the problem of modeling the Swift/BAT triggering algorithm for long GRBs, a computationally expensive procedure, and models it using machine learning algorithms. A large sample of simulated GRBs from Lien 2014 is used to train various models: random forests, boosted decision trees (with AdaBoost), support vector machines, and artificial neural networks. The best models have accuracies of $\gtrsim97\%$ ($\lesssim 3\%$ error), which is a significant improvement on a cut in GRB flux which has an accuracy of $89.6\%$ ($10.4\%$ error). These models are then used to measure the detection efficiency of Swift as a function of redshift $z$, which is used to perform Bayesian parameter estimation on the GRB rate distribution. We find a local GRB rate density of $n_0 \sim 0.48^{+0.41}_{-0.23} \ { m Gpc}^{-3} { m yr}^{-1}$ with power-law indices of $n_1 \sim 1.7^{+0.6}_{-0.5}$ and $n_2 \sim -5.9^{+5.7}_{-0.1}$ for GRBs above and below a break point of $z_1 \sim 6.8^{+2.8}_{-3.2}$. This methodology is able to improve upon earlier studies by more accurately modeling Swift detection and using this for fully Bayesian model fitting. The code used in this is analysis is publicly available online (https://github.com/PBGraff/SwiftGRB_PEanalysis).

研究の動機と目的

• 長期間のGRBに対して、Swift/BATの複雑で多基準のトリガー・アルゴリズムを正確にモデリングする挑戦に取り組み、集団研究における顕著な選択バイアスを解消すること。
• 単純なフラックスベースの検出しきい値には限界があり、89.6％の精度しか得られず、機器による選択効果を完全に捉えられないことの課題を克服すること。
• Swift/BATのトリガーを機械学習を用いて高速かつ信頼性の高い代替モデルとして構築し、GRB集団モデルのベイズ的パrameter推定を加速すること。
• 赤方偏移関数としての正確な経験的検出効率を組み込むことで、固有のGRBレート分布に対する完全ベイズ的推論を可能にすること。
• 将来的なGRB集団研究のための公開可能で拡張可能なフレームワークを提供すること。これには、発光関数のフィッティングやモデル比較が含まれる。

提案手法

• Lienら（2014）のシミュレートされた長期間GRBの大規模サンプルを用いて、ランダムフォレスト、AdaBoost、サポートベクターマシン、およびニューラルネットワークといった複数の機械学習アルゴリズムを訓練した。
• 各インスタンスにGRBパラメータ（発光度、赤方偏移、持続時間など）と、Swift/BATパイプラインからの対応するトリガー結果を含む、シミュレートされたGRBを訓練データとして使用した。
• 交差検証と、精度および受信者操作特性曲線（ROC）下の面積といったパフォーマンス指標を用いて、モデルの最適化と検証を実施した。
• 全トリガー基準を考慮し、固定発光度と赤方偏移のグリッドに最良の性能を示すMLモデルを適用することで、経験的検出効率関数 $ F_{\text{det}}(z) $ を構築した。
• MLで得られた検出効率を尤度の一部として用い、二重の折り返しパワー則モデルをシミュレート済みおよび実際の赤方偏移データにフィットさせるべく、ベイズ的パrameter推定を実施した。
• パラメータの事後分布の全範囲を探索し、不確実性とパrameterのデゲネラシーを定量化するために、マルコフ連鎖モンテカルロ（MCMC）サンプリングを用いた。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、単純なフラックスしきい値と比較して、長期間GRBのための完全なSwift/BATトリガー・アルゴリズムをどの程度正確にエミュレートできるか？
• RQ2 ランダムフォレスト、AdaBoost、SVM、ニューラルネットワークといった異なる機械学習アルゴリズムは、複雑で多パラメータのトリガー意思決定プロセスをどの程度正確にモデル化できるか？
• RQ3 最良の性能を示すMLモデルを用いた場合、赤方偏移関数としてのSwiftの検出効率はどのようになるか？
• RQ4 MLベースの検出効率を用いることで、従来の手法と比較して、固有のGRBレート分布のベイズ的推論はどの程度向上するか？
• RQ5 ML経験尤度を用いた完全ベイズフレームワークにおいて、局所GRBレート密度と赤方偏移分布のパワー則指数に対する事後制約は何か？

主な発見

• ランダムフォレストおよびAdaBoostモデルが最も高い精度（97.5％以上）を達成し、単純なフラックスしきい値（89.6％）を著しく上回った。
• サポートベクターマシンおよびニューラルネットワークモデルは、それぞれ94.7％および96.9％の精度を示し、優れた性能を発揮したが、上位2つのモデルよりわずかに劣った。
• MLベースの検出効率モデルにより、高速かつ正確な尤度評価が可能となり、MCMCサンプリングによるパラメータ空間の全探索が可能になった。
• MLで得られた検出効率を用いた結果、局所GRBレート密度は $ n_0 \sim 0.48^{+0.41}_{-0.23} \, \text{Gpc}^{-3}\text{yr}^{-1} $、ブレーク赤方偏移は $ z_1 \sim 6.8^{+2.8}_{-3.2} $ と推定された。
• GRBレート分布のパワー則指数は、$ n_1 \sim 1.7^{+0.6}_{-0.5} $（$ z < z_1 $ の場合）および $ n_2 \sim -5.9^{+5.7}_{-0.1} $（$ z > z_1 $ の場合）と推定され、従来の研究と整合的であった。
• トレーニング後は計算的に効率的であり、公開可能で、将来的に発光関数、複数のブレークポイント、選択バイアスモデリングの拡張が可能である。