[论文解读] Hierarchical search for compact binary coalescences in the Advanced LIGO's first two observing runs

K. Soni, B. U. Gadre+2 more|arXiv (Cornell University)|Jun 16, 2021

Pulsars and Gravitational Waves Research参考文献 60被引用 9

一句话总结

本论文首次实现了在先进LIGO第一轮和第二轮观测数据中，针对中等质量双星并合（CBC）搜索的端到端分层匹配滤波流水线，基于PyCBC框架。通过采用两阶段搜索策略——粗略模板匹配后接精细后续处理——在保持与标准搜索相当的灵敏度的同时，将计算成本降低了20倍。该方法通过注入实验和背景比例分析得到验证。

ABSTRACT

Detection of many compact binary coalescences (CBCs) is one of the primary goals of the present and future ground-based gravitational-wave (GW) detectors. While increasing the detectors' sensitivities will be crucial in achieving this, efficient data analysis strategies can play a vital role. With given computational power in hand, efficient data analysis techniques can expand the size and dimensionality of the parameter space to search for a variety of GW sources. Matched filtering based analyses that depend on modeled signals to produce adequate signal-to-noise ratios for signal detection may miss them if the parameter space is too restrained. Specifically, the CBC search is currently limited to non-precessing binaries only, where the spins of the components are either aligned or anti-aligned to the orbital angular momentum. A hierarchical search for CBCs is thus well motivated. The first stage of this search is performed by matched filtering coarsely sampled data with a coarse template bank to look for candidate events. These candidates are then followed up for a finer search around the vicinity of an event's parameter space. Performing such a search leads to enormous savings in computational cost. Here we report the first successful implementation of the hierarchical search as a PyCBC-based production pipeline to perform a complete analysis of LIGO observing runs. With this, we analyze Advanced LIGO's first and second observing run data. We recover all the events detected by the PyCBC (flat) search in the first GW catalog, GWTC-1, published by the LIGO-Virgo collaboration, with nearly the same significance using a scaled background. In the analysis, we get an impressive factor of 20 reduction in computation compared to the flat search. With a standard injection study, we show that the sensitivity of the hierarchical search remains comparable to the flat search within the error bars.

研究动机与目标

• 开发并实现一种计算高效的分层搜索流水线，用于先进LIGO数据中的中等质量双星并合（CBC）事件。
• 在不牺牲检测灵敏度的前提下，降低基于匹配滤波的CBC搜索的计算成本。
• 通过采用多阶段、参数空间自适应的方法，将搜索范围扩展至包含进动双星系统。
• 利用真实数据和注入实验，将分层流水线与标准平坦搜索进行对比验证。
• 证明在当前计算资源条件下，可将CBC搜索扩展至更高维参数空间的可行性。

提出的方法

• 流水线采用两阶段分层方法：首先，使用粗略模板库对数据执行匹配滤波，以识别候选触发事件。
• 第一阶段识别出的候选事件随后在局部参数空间内使用更密集的模板库进行后续精细处理，以提升检测精度。
• 该方法在第一阶段采用可变采样率，减少了模板数量，从而降低计算负载。
• 搜索实现为PyCBC框架内的生产级流水线，可无缝集成至现有的LIGO数据分析工作流中。
• 通过时间、相位和天球位置一致性判断，识别多台探测器间的符合触发事件，以降低误报率。
• 通过缩放噪声背景和标准注入实验验证灵敏度，将检测效率与平坦搜索进行对比。

实验结果

研究问题

• RQ1 分层搜索策略是否能在保持真实LIGO数据中CBC信号检测灵敏度的前提下，将计算成本降低数个数量级？
• RQ2 与标准平坦搜索相比，分层流水线在信号恢复率和误报率方面的检测效率如何？
• RQ3 分层方法在多大程度上可扩展至包含进动双星和更高维参数空间？
• RQ4 两阶段方法是否能保留与平坦搜索相当的检测事件显著性，特别是在弱信号或复杂信号情况下？
• RQ5 该分层流水线能否作为生产级工具，有效部署于PyCBC生态系统中，用于完整观测运行的数据分析？

主要发现

• 与标准平坦PyCBC搜索相比，分层搜索将计算成本降低了20倍，同时成功恢复了GWTC-1中全部11个事件，且显著性几乎完全一致。
• GWTC-1星表中所有检测到的事件均被分层流水线成功恢复，证实其灵敏度与平坦搜索相当。
• 注入实验表明，分层流水线在不同信噪比下，其检测灵敏度与平坦搜索的统计误差范围内保持一致。
• 该流水线在包括大质量双星和非对称双星在内的多种参数空间区域中均表现出稳健的信号检测能力。
• 作为基于PyCBC的生产级流水线实现，可无缝集成至现有的LIGO数据分析工作流中。
• 该方法可在未来轻松扩展至进动双星和更高维参数空间，且计算开销可控。