[论文解读] A fully-automated end-to-end pipeline for massive black hole binary signal extraction from LISA data

Michael L. Katz|arXiv (Cornell University)|Nov 1, 2021

Pulsars and Gravitational Waves Research参考文献 74被引用 35

一句话总结

该论文提出了一种完全自动化的、基于GPU加速的端到端流水线，用于从LISA数据中提取大质量双黑洞（MBHB）信号，采用暴力搜索、基于下变频的似然最大化和参数估计方法。该方法在无需人工干预的情况下，于一小时内实现后验分布收敛，在无噪声和有噪声的LDC-1A数据集上均实现了高精度的参数恢复，包括更真实的高阶模态后验分布，从而提升了源特征表征能力。

ABSTRACT

The LISA Data Challenges Working Group within the LISA Consortium has started publishing datasets to benchmark, compare, and build LISA data analysis infrastructure as the Consortium prepares for the launch of the mission. We present our solution to the dataset from LISA Data Challenge (LDC) 1A containing a single massive black hole binary signal. This solution is built from a fully-automated and GPU-accelerated pipeline consisting of three segments: a brute-force initial search; a refining search that uses the efficient Likelihood computation technique of Heterodyning (also called Relative Binning) to locate the maximum Likelihood point; and a parameter estimation portion that also takes advantage of the speed of the Heterodyning method. This pipeline takes tens of minutes to evolve from randomized initial parameters throughout the prior volume to a converged final posterior distribution. Final posteriors are shown for both datasets from LDC 1A: one noiseless data stream and one containing additive noise. A posterior distribution including higher harmonics is also shown for a self-injected waveform with the same source parameters as is used in the original LDC 1A dataset. This higher-mode posterior is shown in order to provide a more realistic distribution on the parameters of the source.

研究动机与目标

• 开发一种完全自动化、端到端的LISA数据MBHB信号提取数据处理流水线，无需人工干预或对信号的先验知识。
• 实现在包含非平稳噪声和仪器效应的现实LISA数据条件下，对MBHB进行快速且精确的参数估计。
• 证明利用下变频（相对分箱）等高效似然计算技术，可在LISA数据上实现高精度贝叶斯推断的可行性。
• 通过在波形模型中引入高阶模态，提供更真实的后验分布，从而在主导模态（l=m=2）之外进一步改善参数约束。
• 建立一个可扩展的框架，可拓展至多源场景，并应对未来LISA数据中重叠信号等挑战。

提出的方法

• 流水线在MBHB参数的完整先验体积内进行暴力初始搜索，通过GPU计算加速，高效处理高维参数空间。
• 后续的最大似然精炼步骤采用下变频（相对分箱）技术，实现快速且精确的似然评估，与标准匹配滤波相比显著降低计算成本。
• 参数估计阶段利用相同的下变频方法，高效计算后验分布，实现对信号参数的完整贝叶斯推断。
• 该方法应用于两个LDC-1A数据集：一个无噪声，一个包含真实LISA仪器噪声（SciRDv1曲线），两者均包含单一MBHB注入信号。
• 采用高阶模态波形模型，为相同源参数生成更真实的后验分布，包含l=m=2、l=3,m=2和l=2,m=1模态。
• 流水线完全自动化，无需手动调参或先验知识，在标准GPU硬件上运行一小时内即达收敛。

实验结果

研究问题

• RQ1 完全自动化、基于GPU加速的流水线能否在随机初始参数下，于一小时内实现准确的MBHB参数估计？
• RQ2 在波形模型中引入高阶模态对后验分布和参数约束有何影响？
• RQ3 下变频（相对分箱）似然方法能否在真实LISA噪声条件下实现高效且精确的似然最大化？
• RQ4 该流水线对非平稳噪声和数据间隙的鲁棒性如何，如LDC-1A数据集所建模？
• RQ5 该方法能否扩展至多源场景，其中信号可能在旋合-环 ringing 阶段重叠？

主要发现

• 流水线成功从无噪声和有噪声的LDC-1A数据集中提取了MBHB信号，在无需人工干预的情况下，运行时间少于一小时即实现后验分布收敛。
• 在有噪声数据集中，方位角、赤纬、偏振角和倾角等外部参数的后验分布被良好约束，1σ、2σ和3σ置信区域紧密包围真实注入值。
• 在波形模型中引入高阶模态后，后验分布更加真实且更紧凑，相比仅使用主导模态的分析，参数不确定性显著降低。
• 下变频（相对分箱）方法实现了高效的似然计算，使流水线能够快速探索整个先验体积，并迅速收敛至最大似然点。
• 该方法对真实LISA噪声表现出鲁棒性，体现在有噪声数据集中源参数的准确恢复，验证了其应对未来LISA数据挑战的准备就绪性。
• 该流水线具备可扩展性和可扩展性，通过全局拟合，有潜力处理多个MBHB及重叠信号，前提是旋合-环 ringing 阶段的信号重叠情况较少。