[논문 리뷰] Mass and tidal parameter extraction from gravitational waves of binary neutron stars mergers using deep learning

Shriya Soma, H. Stöcker외 1명|arXiv (Cornell University)|2023. 06. 30.

Pulsars and Gravitational Waves ResearchPhysics and Astronomy참고 문헌 82인용 수 3

한 줄 요약

이 논문은 이중 중성자별(BNS) 병합에서 발생하는 중력파 신호를 분류하고, 구성 성분 질량 및 조임성 변형도를 추정하기 위한 딥러닝 파이프라인을 제안한다. 두 단계로 구성된 신경망—먼저 BNS와 이중 블랙홀(BBH) 신호를 분류하고, 그 다음 질량 및 조임성 매개변수를 회귀 분석하는 방식—을 사용하여 높은 정확도의 매개변수 추정을 달성하였으며, 이는 중성자별 상태방정식를 제약하는 데 있어 전통적인 베이지안 추론에 비해 효율적인 대안으로서 딥러닝의 잠재력을 입증한다.

ABSTRACT

Gravitational Waves (GWs) from coalescing binaries carry crucial information about their component sources, like mass, spin and tidal effects. This implies that the analysis of GW signals from binary neutron star mergers can offer unique opportunities to extract information about the tidal properties of NSs, thereby adding constraints to the NS equation of state. In this work, we use Deep Learning (DL) techniques to overcome the computational challenges confronted in conventional methods of matched-filtering and Bayesian analyses for signal-detection and parameter-estimation. We devise a DL approach to classify GW signals from binary black hole and binary neutron star mergers. We further employ DL to analyze simulated GWs from binary neutron star merger events for parameter estimation, in particular, the regression of mass and tidal deformability of the component objects. The results presented in this work demonstrate the promising potential of DL techniques in GW analysis, paving the way for further advancement in this rapidly evolving field. The proposed approach is an efficient alternative to explore the wealth of information contained within GW signals of binary neutron star mergers, which can further help constrain the NS EoS.

연구 동기 및 목표

• 중력파 매개변수 추정에서 전통적인 매칭 필터링 및 베이지안 추론의 계산적 병목 현상을 극복하기 위해.
• 이중 중성자별(BNS) 병합 신호를 이중 블랙홀(BBH) 신호와 분류할 수 있는 딥러닝 파이프라인을 개발하기 위해.
• 종합적인 회귀 분석을 통해 시뮬레이션된 BNS 중력파 웨이브폼에서 구성 성분 질량과 조임성 변형도(Λ̃)를 추정하기 위해.
• 향후 에이젠스타인 전기망 및 코스믹 익스플로러와 같은 고급 검출기에서의 BNS 탐지에 대한 효율적이고 확장 가능한 분석을 가능하게 하기 위해.
• 질량 및 조임성 매개변수 추정을 통해 중성자별 상태방정식에 대한 제약을 지원하기 위해.

제안 방법

• 시계열 웨이브폼을 사용하여 BNS 또는 BBH 병합에서 유래된 중력파 신호를 식별하는 데 목적이 있는 컨volutional 신경망(CNN)을 훈련한다.
• 동일한 시계열 웨이브폼에서 구성 성분 질량과 복합 조임성 변형도(Λ̃)를 예측하는 별도의 회귀 네트워크를 훈련한다.
• 시뮬레이션된 웨이브폼은 질량 및 조임성 매개변수의 범위를 커버하는 IMRPhenomPv2_NRTidalv2 근사법을 사용하여 생성된다.
• 훈련 데이터에는 실제 환경에서의 검출기 노이즈에 대한 강건성을 향상시키기 위해 노이즈가 포함된 웨이브폼이 포함되어 있다.
• 분류 및 회귀 네트워크를 결합하여 BNS 신호의 종단간 분석을 위한 두 단계 워크플로우를 구성한다.
• 정확도 평가를 가능하게 하기 위해 알려진 매개변수를 가진 합성 신호를 사용하여 방법을 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝은 이중 중성자별 병합에서 발생하는 중력파 신호와 이중 블랙홀 병합에서 발생하는 중력파 신호를 효과적으로 분류할 수 있는가?
• RQ2 딥러닝은 노이즈가 있는 중력파 신호에서 구성 성분 질량 및 조임성 변형도를 어느 정도 정확하게 추정할 수 있는가?
• RQ3 정확도와 계산 비용 측면에서 전통적인 베이지안 추론에 비해 딥러닝의 성능은 어떻게 비교되는가?
• RQ4 제안된 파이프라인은 스핀, 기울기 및 거리와 같은 추가 매개변수를 포함하도록 확장될 수 있는가?
• RQ5 웨이브폼 모델링의 한계(예: 5PN 조임성 효과, 주파수 커프오프 2048 Hz)가 추정된 매개변수의 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 딥러닝 분류기는 검출기 노이즈가 존재하는 상황에서도 BNS와 BBH 중력파 신호를 높은 정확도로 구분한다.
• 회귀 네트워크는 노이즈 및 웨이브폼 모델의 한계에 대해 강건성을 보이며, 구성 성분 질량과 복합 조임성 변형도(Λ̃)를 낮은 평균 절대 오차로 성공적으로 추정한다.
• 기존의 베이지안 매개변수 추정에 비해 계산적으로 효율적인 대안을 제공하여 대규모 분석의 처리 시간을 크게 단축시킨다.
• 추정된 조임성 변형도(Λ̃) 값은 알려진 물리적 경향과 일치하여 중성자별 상태방정식 제약에 활용될 수 있음을 뒷받침한다.
• 파이프라인은 확장 가능하며, 향후 스핀 및 기울기와 같은 추가 매개변수를 포함하도록 조정할 수 있다.
• 연구는 주파수 커프오프가 2048 Hz에 설정되어 있어 병합 후 및 리드운 정보를 포함하지 못하고, 또한 IMRPhenomPv2_NRTidalv2 웨이브폼 근사법에 의존하는 점을 한계로 밝혀냈다.