[论文解读] 9.6σ Confirmation of Orientation-Dependent Ringdown Frequency Shifts in 100 Binary Black Hole Mergers: Evidence for Semi-Dirac Anisotropic Flux Suppression

M. Isi|arXiv (Cornell University)|Jul 12, 2021

Pulsars and Gravitational Waves Research参考文献 68被引用 26

一句话总结

本文提出一个全面的、贝叶斯的黑洞光谱衰减分析框架，阐明衰减模态的可探测性与分辨性，并通过在 Kerr 与非 Kerr 注入下展示泛音的实用性，同时发布用于衰减分析的 Python 工具集。

ABSTRACT

A perturbed black hole rings down by emitting gravitational waves in tones with specific frequencies and durations. Such tones encode prized information about the geometry of the source spacetime and the fundamental nature of gravity, making the measurement of black hole ringdowns a key goal of gravitational wave astronomy. However, this task is plagued by technical challenges that invalidate the naive application of standard data analysis methods and complicate sensitivity projections. In this paper, we provide a comprehensive account of the formalism required to properly carry out ringdown analyses, examining in detail the foundations of recent observational results, and providing a framework for future measurements. We build on those insights to clarify the concepts of ringdown detectability and resolvability -- touching on the drawbacks of both Bayes factors and naive Fisher matrix approaches -- and find that overly pessimistic heuristics have led previous works to underestimate the role of ringdown overtones for black hole spectroscopy. We put our framework to work on the analysis of a variety of simulated signals in colored noise, including analytic injections and a numerical relativity simulation consistent with GW150914. We demonstrate that we can use tones of the quadrupolar angular harmonic to test the no-hair theorem at current sensitivity, with precision comparable to published constraints from real data. Finally, we assess the role of modeling systematics, and project measurements for future, louder signals. We release ringdown, a Python library for analyzing black hole ringdowns using the the methods discussed in this paper, under a permissive open-source license at https://github.com/maxisi/ringdown

研究动机与目标

• 提出一个稳健的形式化框架，用于使用晚期仅含衰减模态的模板进行衰减分析。
• 阐明衰减在比简单的费舍尔(Fisher)或贝叶斯因子(Bayes-factor)标准更广泛条件下的可探测性与可分辨性。
• 展示在用 Kerr 与非 Kerr 注入测试无发毛定理时，泛音的价值。
• 提供一个实用的开源软件包以实现该衰减框架。

提出的方法

• 将通用的 Kerr 衰减模板表述为椭圆极化的阻尼正弦叠加。
• 通过将顺行和逆行分量合并为椭圆并利用 PT 对称性，将模板简化为一组实用参数。
• 实现一个时域贝叶斯分析框架，在考虑有色噪声的同时推断模态频率、阻尼时间、振幅与椭圆度。
• 引入对 Kerr 偏离的分数频率和阻尼偏差的参数化，并讨论如何将这些分配给特定模态。
• 讨论带有基于 Kerr 约束的两模态模型，以确定质量与自旋，同时允许泛音出现偏离。
• 发布一个基于 Python 的软件包 ringdown，实现该框架并使用 Stan 进行采样。

实验结果

研究问题

• RQ1 如何在有色噪声中稳健地建模衰减信号以提取准模态？
• RQ2 超越 Rayleigh 类的谱分离，衰减模态的可探测性与可分辨性的适当标准是什么？
• RQ3 在当前探测器灵敏度下，泛音是否能为测试无发毛定理提供有意义的贡献？
• RQ4 如何在多模态衰减分析中对 Kerr 偏离进行参数化和约束？
• RQ5 在真实数据中进行衰减分析需要哪些实际的指导和工具？

主要发现

• 一个通用的衰减模板，即椭圆极化的阻尼正弦叠加，适用于数据分析。
• 时域的衰减分析可以避免有色噪声带来的挑战，并给出稳健的信噪比计算。
• 泛音在 modest SNR 下也能被探测到并有助于约束 Kerr 偏差。
• 一个两模态的 Kerr-偏离模型，其中基模态保持 Kerr，而泛音允许偏离，提供一个实用的推断框架。
• 带 Kerr 与非 Kerr 注入的分析显示该方法能够恢复光谱与极化特性的性质。
• 发布一个软件包 ringdown，以使衰减分析能够使用所述方法。