[論文レビュー] Rapid neutron star equation of state inference with Normalising Flows

J Mcginn, Arunava Mukherjee+4 more|arXiv (Cornell University)|Mar 26, 2024

Geophysics and Gravity MeasurementsEarth and Planetary Sciences被引用数 3

ひとこと要約

この論文は、重力波データからの中性子星状態方程式（EOS）の迅速かつ非パrametricな推論を実現する正規化フローに基づく手法ASTREOSを紹介する。質量および潮汐歪み度数に条件づけたEOSサンプル上でフロー・モデルを学習することで、1秒未塔の近似瞬時のEOS事後分布サンプリングを達成し、LIGO-Virgoの結果と高い精度で一致する。これにより、将来のマルチメッセンジャーアストロノミーにおけるリアルタイムでのEOS制約が可能になる。

ABSTRACT

The first direct detection of gravitational waves from binary neutron stars on the 17th of August, 2017, (GW170817) heralded the arrival of a new messenger for probing neutron star astrophysics and provided the first constraints on neutron star equation of state from gravitational wave observations. Significant computational effort was expended to obtain these first results and therefore, as observations of binary neutron star coalescence become more routine in the coming observing runs, there is a need to improve the analysis speed and flexibility. Here, we present a rapid approach for inferring the neutron star equation of state based on Normalising Flows. As a demonstration, using the same input data, our approach, ASTREOS, produces results consistent with those presented by the LIGO-Virgo collaboration but requires < 1 sec to generate neutron star equation of state confidence intervals. Furthermore, ASTREOS allows for non-parametric equation of state inference. This rapid analysis will not only facilitate neutron star equation of state studies but can potentially enhance future alerts for electromagnetic follow-up observations of binary neutron star mergers.

研究の動機と目的

• 今後、高レートで発生する二つの中性子星合体（BNS）合体の重力波データからの中性子星状態方程式（EOS）推論における計算的ボトル neck を解消すること。
• 従来のベイズ的サンプリング手法の限界、例えばMCMCの収束が遅いこと、および区分的ポリトロープやスペクトル形式といったパrametrizationの選択に敏感であることに対処すること。
• 固定された関数形を仮定しないで、訓練データから直接EOS曲線の事後分布を学習することで、非パrametricなEOS推論を可能にすること。
• 低遅延の重力波解析とマルチメッセンジャーフォローアップに適合する、高速でスケーラブルかつ再利用可能な推論パイプラインの開発。
• 複数の検出結果からのEOS推論を統合できるようにするため、将来的なマルチイベントEOS推論に適合させる。

提案手法

• 観測された重力波データ（特に成分質量および潮汐歪み度数）を条件として、中性子星状態方程式（EOS）パラメータの条件付き事後分布を学習する正規化フロー（NF）モデルを訓練する。
• 圧力-密度関係の主成分分析（PCA）係数を用いてEOSを表現することで、複雑なEOS曲線の効率的かつ低次元のパラメータ化を実現する。
• シンプルな基本分布（例えば、正規分布）と複雑なEOS事後分布との間の可逆的かつ微分可能な変換を、深層ニューラルネットワークでモデル化する。
• 訓練済みのNFを用いて、繰り返しMCMCサンプリングを行わずに、秒間数万件のEOSサンプルを生成可能にし、迅速な統計的推論を実現する。
• 合成データを用いてGW170817イベントの結果を検証し、事後分布の分位数およびp-pプロットを、既存のLIGO-Virgoの結果と比較することで精度を確認する。
• NFの明示的なヤコビアンを活用して、複数検出結果の事後分布を直接組み合わせることで、マルチイベント推論を可能にし、複数の検出結果における不確実性の伝搬とマージナライゼーションを効率的に行う。

Figure 1: The pressure $p$ as a function of energy-density $\rho$ for the GW170817 event. We show posteriors on energy density as a function of pressure obtained from ASTREOS (blue bands) together with posteriors taken from GW170817 LIGO-Virgo spectral parameterisation analysis [ 9 ] (black lines) a

実験結果

リサーチクエスチョン

• RQ1 正規化フローは、従来のベイズ的手法と同等の精度で、重力波データからの中性子星状態方程式の推論を高速かつ正確に達成できるか？
• RQ2 GW170817イベントに関して、正規化フローに基づく手法は、MCMCベースのEOS推論と比較して、速度および精度の点でどの程度優れているか？
• RQ3 特定の関数形を仮定しないで、非パrametricなEOS推論をどの程度実現できるか？
• RQ4 訓練済みモデルを最小限の再トレーニングで複数の重力波イベントに再利用可能であり、スケーラブルかつ低遅延な解析が可能か？
• RQ5 複数のBNSまたはNSBHイベントからの結果を統合して、累積的信号対雑音比のスケーリングによりEOS制約を向上させるには、どのように拡張できるか？

主な発見

• ASTREOSは、1イベントあたり1秒未塔で中性子星状態方程式の信頼区間を生成し、従来のMCMCベースの推論と比較して1000倍の高速化を達成した。
• LIGO-VirgoのGW170817解析から得られた質量および潮汐歪み度数パラメータの事後分布を、p-pプロットのp値が0.7301であることを確認し、高い忠実性で再現した。
• 訓練済みの正規化フローは、特定のパラメトリック形式を仮定せず、圧力-密度関係のPCA係数の分布を学習することで、非パrametricなEOS推論を可能にした。
• 訓練済みの正規化フローは、秒間約25,000件のEOSサンプルを生成でき、リアルタイム解析パイプラインに適している。
• NFの明示的なヤコビアンを活用することで、複数検出結果の事後分布を直接評価でき、複数検出結果における不確実性の伝搬を効率的に行える。
• 単一の質量-潮汐歪み度数ペアを条件として用いることで、中性子星-ブラックホール系への応用も可能であり、柔軟性と高速性を維持できる。

Figure 2: A p-p plot on the 10 inferred EOS and auxilliary parameters output from the ASTREOS analysis using 100 instances of conditional data $y$ drawn from the validation set. The bracketed quantities in the plot legend refer to the p-values of each parameter curve under the null hypothesis that e