[論文レビュー] Model-Agnostic Population Inference for Gravitational-Wave Astronomy: From LIGO to LISA

Yi-kun Li, Cheng Cheng+2 more|arXiv (Cornell University)|Jan 30, 2026

Pulsars and Gravitational Waves Research被引用数 0

ひとこと要約

モデル非依存の母集団推定フレームワークを、相関複合混合密度ネットワークと分解適応的変分推論を用いて導入し、LISAとLVKデータ全体の内在的GW連星の分布と率を回復し、選択効果を補正する。

ABSTRACT

Inferring the intrinsic population of compact binary mergers is complicated by detector selection biases and measurement uncertainties. Traditional parametric methods are limited by the need to presuppose functional forms, introducing model-dependent biases. To overcome these limitations, we introduce an inference framework powered by deep generative modeling. We develop a flexible, data-driven population model using a Correlated Compound-Mixture Density Network. This architecture integrates mixture models to handle multimodality, Gaussian copulas for parameter dependencies, and a library of flexible marginal distributions. The network is trained to approximate the posterior distribution of the population's hyperparameters using amortized variational inference with Normalizing Flows on catalogs of gravitational-wave events. We demonstrate the framework's capabilities in two distinct regimes. First, using simulated catalogs of supermassive black hole binary mergers for the Laser Interferometer Space Antenna (LISA), we show that the method accurately recovers complex three-dimensional distributions and absolute merger rates from sparse datasets, effectively correcting for selection effects and measurement uncertainties. Second, we validate the framework on real observational data from the LIGO-Virgo-KAGRA GWTC-3 catalog, successfully inferring the population of stellar-mass binary black holes using an injection-based selection effect correction. Our results confirm that the method is robust, scalable, and applicable across different detector sensitivities and source populations.

研究の動機と目的

• 重い拘束的パラメトリック形に依存せず、重力波イベントの堅牢な母集団推定を動機づける。
• 多峰性および相関分布を扱える柔軟なデータ駆動の母集団モデルを開発する。
• 母集団超パラメータを効率的に推定するための正規化フローを用いた分解適応的推論パイプラインを導入する。
• シミュレートされたLISA SMBH二連星データと実データLVK GWTC-3 BBHデータに対して、選択バイアス補正を伴う手法を示す。

提案手法

• Correlated Compound Mixture Density Network (CCMDN) を p_pop(theta|Lambda) としてK成分の有限混合として構築する。
• 各混合成分内のパラメータ間の依存をガウスコピュラでモデル化する。
• p_k(theta|lambda_k) の柔軟な辺際分布として Kumaraswamy、Truncated Pareto、Truncated Normal を含むライブラリを組み込む。
• Normalizing Flows を用いた分解適応的変分推論でハイパーポスターレ p(Lambda|data) を近似する。
• GW検出に対して不均一ポアソン過程尤度を適用し、形状 Lambda と連合率 R_yr を分離的に推定する（2段階アプローチ）。
• Phase 1 推論は NF ベースの変分ガイドを用いた SVI、Phase 2 は Lambda の事後分布から R_yr を推定する。

実験結果

リサーチクエスチョン

• RQ1 モデル非依存で多峰性の母集団モデルは biased カタログからGW源の内在分布を正確に回復できるか。
• RQ2 CCMDN とガウスコピュラおよび柔軟な辺際分布はGW母集団のパラメータ間の相関を堅牢に捉えられるか。
• RQ3 大規模なGWカタログに対して分解適応的フロー推論は選択効果を補正しつつどの程度スケールするか。
• RQ4 シミュレーションされたLISA SMBHカタログと実データLVK GWTC-3 データの両方に適用した場合、絶対連合率を回復できるか。

主な発見

N_int	N_obs	KS: log10 M_bullet	KS: z	KS: q	3D Energy Dist.
20	17	0.832	0.983	0.571	0.743
50	42	0.549	0.396	0.272	0.788
200	166	0.142	0.713	0.628	0.607
500	412	0.111	0.613	0.666	0.204

• フレームワークは、LISA様の希薄なカタログから複雑な三次元SMBH連合分布と絶対連合率を正確に回復する。
• LVK GWTC-3 BBHデータ上で、注入ベースの選択補正を用いて星質量BBH母集団をうまく推定する。
• 相関複合混合密度ネットワークは、多峰性と相関を rigid なパラメトリック形なしに扱い、データ量の増加に対して頑健である。
• Normalizing Flows を用いた分解適応的推論により Lambda の事後サンプリングが迅速になり、大規模カタログの分析が実現する。
• 検出感度と源母集団の異なる設定に対して一貫した検証を示し、非理想的なモデル設定で rigid パラメトリックフィットを上回る。