[論文レビュー] Pre-merger sky localization of gravitational waves from binary neutron star mergers using deep learning

C. Chatterjee, L. Wen|arXiv (Cornell University)|Dec 30, 2022

Pulsars and Gravitational Waves Research参考文献 38被引用数 4

ひとこと要約

本論文では、合体の60秒前までに二重中性子星（BNS）重力波源の天球位置特定を可能にする深層学習モデル、GW-SkyLocatorを提示する。このモデルは、迅速なベイズ的手法BAYESTARと同等の天球位置特定領域を達成しており、従来のマルコフ連鎖モンテカルロ（MCMC）手法と比較して数個のオーダー速い推論を実現し、前駆的電磁放射線のリアルタイムマルチメッセンジャーフォローアップを可能にする。

ABSTRACT

The simultaneous observation of gravitational waves (GW) and prompt electromagnetic counterparts from the merger of two neutron stars can help reveal the properties of extreme matter and gravity during and immediately after the final plunge. Rapid sky localization of these sources is crucial to facilitate such multi-messenger observations. Since GWs from binary neutron star (BNS) mergers can spend up to 10-15 mins in the frequency bands of the detectors at design sensitivity, early warning alerts and pre-merger sky localization can be achieved for sufficiently bright sources, as demonstrated in recent studies. In this work, we present pre-merger BNS sky localization results using CBC-SkyNet, a deep learning model capable of inferring sky location posterior distributions of GW sources at orders of magnitude faster speeds than standard Markov Chain Monte Carlo methods. We test our model's performance on a catalog of simulated injections from Sachdev et al. (2020), recovered at 0-60 secs before merger, and obtain comparable sky localization areas to the rapid localization tool BAYESTAR. These results show the feasibility of our model for rapid pre-merger sky localization and the possibility of follow-up observations for precursor emissions from BNS mergers.

研究の動機と目的

• 二重中性子星（BNS）重力波源の迅速な合体前天球位置特定を可能にし、マルチメッセンジャ観測を促進すること。
• 現在の重力波アラートシステムにおける遅延が、電磁（EM）フォローアップを数分遅らせる問題を克服すること。
• 標準的なマルコフ連鎖モンテカルロ（MCMC）手法と比較して、天球位置事後分布を数個のオーダー速く推論できる深層学習モデルの開発。
• シミュレートされたBNSインジェクションを用いて、確立された迅速位置特定ツールBAYESTARとの性能比較によるモデルの妥当性の検証。

提案手法

• GW-SkyLocatorはTensorFlow 2.4で実装された深層ニューラルネットワークであり、重力波のストレインデータからBNS源の2次元天球位置事後分布を推論することを目的としている。
• モデルはSachdevら（2020）の2000件のシミュレートされたBNSインジェクションのカタログを用いて訓練され、合体の0〜58秒前までの時間遅延で回復されたデータを対象としている。
• 入力特徴量には、設計感度の3〜4検出器ネットワーク（H1, L1, V1, KAGRA）からの重力波信号の時間周波数表現が含まれる。
• モデルの出力は、各インジェクションについて天の川上での90%信用区間面積および事後確率分布である。
• 性能評価は、同じシミュレートデータ上でGW-SkyLocatorの90%信用区間面積および事後確率の正確性をBAYESTARの結果と比較することで実施される。
• 統計的信頼性の検証として、P–Pプロットを用いた事後予測チェックが実施されている。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、BAYESTARと同等の精度で合体前のBNS合体の天球位置特定を実現できるか？ また、標準的なMCMC手法と比較して著しく高速な推論速度を達成できるか？
• RQ2 合体までの残り時間（0〜60秒）に応じて、深層学習モデルの性能はどのように変化するか？
• RQ3 信号対雑音比（SNR）が9〜40の範囲で、モデルは統計的に信頼できる事後分布を、適切にキャリブレーションされた形で出力できるか？
• RQ4 実際の検出器データにおける非定常雑音やグルーピング（グルーピング）の影響下で、モデルの限界は何か？
• RQ5 このモデルは、距離の推定やBNS源の体積位置特定を可能にするように拡張可能か？

主な発見

• GW-SkyLocatorは、合体の0〜58秒前までの全時間遅延において、BAYESTARが出力する90%信用区間面積と統計的に区別できない結果を達成している。
• ネットワークSNRが9〜40のインジェクションにおいて、モデルの中央値90%信用区間面積はBAYESTARの10%以内に収束している。
• P–Pプロットの結果、GW-SkyLocatorの事後分布は適切にキャリブレーションされており、累積分布の95%が95%信頼帯内に収束している。
• モデルは標準的なMCMCベースのベイズ手法と比較して、推論速度が数個のオーダー速く、リアルタイムでの位置特定が可能である。
• モデルは60秒の合体前ウィンドウ全体にわたり一貫した性能を示しており、合体に近づくにつれて位置特定の正確性が著しく低下しない。
• これらの結果は、リアルタイムで合体前の天球位置特定を支援するための深層学習の実現可能性を確認している。