[논문 리뷰] Fast, flexible, and accurate evaluation of Malmquist bias with machine learning: Preparing for the pending flood of gravitational-wave detections

C. Talbot, E. Thrane|arXiv (Cornell University)|2020. 12. 03.

Pulsars and Gravitational Waves Research인용 수 4

한 줄 요약

이 논문은 새로운 사전 처리 단계를 통해 모델 복잡성을 줄이며, 중력파 선택 함수를 빠르고도 정확하게 계산하는 기계학습 기반 접근법을 제안한다. LIGO-Virgo GWTC-2 데이터에 적용했을 때, 이 방법은 질량 비율 분포를 1σ 더 기울여서 나타내며, 이론적 이중 블랙홀 병합률을 $\mathcal{R}_{\mathrm{BBH}} = 32^{+11}_{-9}\,\mathrm{Gpc}^{-3}\mathrm{yr}^{-1}$로 높여, 선택 함수 추정이 인구 추론에 상당한 영향을 미친다는 것을 입증한다.

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 a range of machine learning 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. As a demonstration of our method, we reproduce and extend the results from the recent LIGO--Virgo analysis of events from their second gravitational-wave transient catalog (GWTC-2). While qualitatively consistent with previous work, we find that the method used to compute the selection function noticeably affects the inferred population. The most significant change is a $1\sigma$ increase in the steepness of the mass ratio distribution and an $\sim10\%$ increase in the inferred rate, $\mathcal{R}_{\mathrm{BBH}} = 32^{+11}_{-9}\mathrm{Gpc}^{-3}\mathrm{yr}^{-1}$, when using our new method. Including spin effects in the selection function does not significantly impact the results with current uncertainties.

연구 동기 및 목표

• 감지 빈도가 증가함에 따라 중력파 천문학에서 Malmquist 편향 문제의 심화를 다루기 위해.
• 밀집 이중 병합 병합의 선택 함수를 추정하기 위한 계산 효율적이고 정확한 방법을 개발하기 위해.
• 선택 함수 추정에 사용되는 기계학습 모델의 복잡성을 줄이기 위해 새로운 사전 처리 기법을 도입하기 위해.
• 새로운 방법을 사용하여 GWTC-2 결과를 재평가하고, 이를 통한 인구 추론 매개변수에 미치는 영향을 평가하기 위해.
• 기존의 불확도 수준을 고려할 때 선택 함수에 스핀 효과를 포함시키면 현재의 인구 추론이 어떻게 변하는지 조사하기 위해.

제안 방법

• 다양한 기계학습 모델을 훈련시어 밀집 이중 병합 병합의 중력파 선택 함수를 추정한다.
• 입력 공간을 단순화하는 사전 처리 방법을 도입하여 모델의 복잡성과 훈련 시간을 크게 감소시킨다.
• 감지 가능성의 변동을 고려하기 위해 질량, 질량 비율, 스핀을 포함한 소스 파라미터의 함수로 선택 함수를 계산한다.
• 동일한 데이터와 인구 모델을 사용하여 GWTC-2 분석을 재현하고 확장함으로써 방법의 타당성을 검증한다.
• 다양한 인구 모델과 데이터 세트에서 선택 효과를 신속하고도 영리하게 평가할 수 있도록 한다.
• 현재 관측 불확도를 고려하여 스핀을 선택 함수에 포함시켰을 때의 영향을 정량화한다.

실험 결과

연구 질문

• RQ1 선택 함수 추정 방법의 선택이 이중 블랙홀의 추론 인구 매개변수에 어떤 영향을 미치는가?
• RQ2 선택 함수에 스핀을 포함시킬 경우, 추론된 이중 블랙홀 병합률과 질량 분포는 얼마나 변화하는가?
• RQ3 사전 처리 단계가 선택 함수 추정에 사용되는 기계학습 모델의 복잡성을 현저히 줄일 수 있는가, 동시에 정확도를 유지할 수 있는가?
• RQ4 새로운 방법의 결과는 원래의 GWTC-2 분석과 정량적으로 어떻게 비교되는가?
• RQ5 개선된 선택 함수 모델링이 질량 비율 분포의 기울기 추론에 어떤 영향을 미치는가?

주요 결과

• 새로운 방법은 이론적 이중 블랙홀 병합률을 $\mathcal{R}_{\mathrm{BBH}} = 32^{+11}_{-9}\,\mathrm{Gpc}^{-3}\mathrm{yr}^{-1}$로 높여 이전 추정치 대비 10% 증가시켰다.
• 새로운 선택 함수 추정 방법을 사용할 경우 질량 비율 분포가 1σ 더 기울어져 있음을 발견했다.
• 현재의 불확도 수준을 고려할 때 스핀 효과를 선택 함수에 포함시켜도 추론된 인구 매개변수에 유의미한 변화가 없다.
• 사전 처리 단계는 모델의 복잡성을 감소시켜 더 빠르고 효율적인 훈련을 가능하게 하면서도 높은 정확도를 유지한다.
• 선택 함수를 계산하는 데 사용되는 방법이 인구 추론에 측정 가능한 영향을 미치며, 이를 간과할 수 없다는 것이 입증되었다.
• 향후 감지 빈도가 증가하는 중력파 인구 연구를 위한 확장 가능하고 영리한 프레임워크를 제공한다.