[论文解读] Automated discovery of interpretable gravitational-wave population models

Kaze W. K Wong, Miles Cranmer|arXiv (Cornell University)|Jul 25, 2022

Gaussian Processes and Bayesian Inference被引用 6

一句话总结

本文提出了一种符号回归流程，可将拟合于引力波（GW）事件星表的高斯混合模型（GMM）所生成的复杂、高维后验预测分布，提炼为可解释的解析表达式。通过在GMM输出上应用符号回归，该方法发现了如幂律加高斯型以及一种新颖的经验模型，其精度与简洁性均更优，实现了数据驱动、可解释的群体建模，且人工干预极少。

ABSTRACT

We present an automatic approach to discover analytic population models for gravitational-wave (GW) events from data. As more gravitational-wave (GW) events are detected, flexible models such as Gaussian Mixture Models have become more important in fitting the distribution of GW properties due to their expressivity. However, flexible models come with many parameters that lack physical motivation, making interpreting the implication of these models challenging. In this work, we demonstrate symbolic regression can complement flexible models by distilling the posterior predictive distribution of such flexible models into interpretable analytic expressions. We recover common GW population models such as a power-law-plus-Gaussian, and find a new empirical population model which combines accuracy and simplicity. This demonstrates a strategy to automatically discover interpretable population models in the ever-growing GW catalog, which can potentially be applied to other astrophysical phenomena.

研究动机与目标

• 解决在引力波群体分析中解释复杂、高参数灵活模型（如GMM）的挑战。
• 开发一种可扩展、自动化的技术，从数据驱动的后验分布中提取具有物理解释性的解析模型。
• 减少对人工构建的唯象模型的依赖，这些模型在引力波星表规模与复杂性增长时变得不可行。
• 在无需先验物理假设的前提下，实现对引力波事件分布中统计显著特征（如质量峰、凸起）的发现。

提出的方法

• 首先，将高斯混合模型（GMM）拟合至GWTC3事件的主质量分布，以获得真实后验预测分布的快速、可微分近似。
• 使用符号回归（SR）搜索能近似GMM输出的解析表达式，使用天体物理学模型中常见的运算符（如高斯函数、阶跃函数、幂律）。
• 采用遗传算法探索符号表达式的组合空间，以最小化与GMM密度预测之间的均方误差。
• 通过一个兼顾复杂度与损失的评分机制对模型进行优先排序，偏好复杂度低但误差小的模型，以确保可解释性。
• 该流程仅应用于主质量分布，但可扩展至更高维空间（如质量-自旋分布或联合质量分布）。
• 将所得符号表达式用于下游任务，如标准层次贝叶斯分析（HBA）流程中的模型选择与参数估计。

实验结果

研究问题

• RQ1 符号回归能否自动从拟合于引力波数据的灵活GMM的后验预测分布中发现可解释的解析模型？
• RQ2 在双黑洞（BBH）主质量分布中，哪些特征具有统计显著性，如凸起或幂律行为？
• RQ3 所发现的模型在复杂度与精度上与现有唯象模型（如幂律加高斯型或样条扩展模型）相比如何？
• RQ4 质量峰之间的波动或高质质量区域的衰减特征是否具有物理解释意义，还是拟合过程的产物？
• RQ5 该方法能否扩展至涉及质量、自旋及其他参数之间相关性的更高维群体模型？

主要发现

• 符号回归流程成功恢复了已知的群体模型（如幂律加高斯型），证实了其在发现既定形式方面的有效性。
• 发现了一种包含两个高斯分量与幂律基线的新经验模型，其损失（0.0352）低于仅含一个凸起的简化模型（损失0.212），尽管复杂度更高。
• 中等复杂度模型（25个运算符）的评分显著优于简化模型（评分0.126），表明其形式获得更强的统计支持。
• 最高复杂度模型（48个运算符）增加了高质质量区域的高斯分量以拟合衰减，但损失未显著改善，且评分大幅降低，提示该特征可能无物理意义。
• 该方法检测到约10 M⊙处的低质量凸起，其在各类模型中均稳定出现，表明其统计显著性高于约30 M⊙处的高质质量凸起。
• 符号回归未偏好主峰之间的波动，提示这些波动可能是当前数据中的统计噪声，而非真实的天体物理特征。