[论文解读] Fast, flexible, and accurate evaluation of gravitational-wave Malmquist bias with machine learning

C. Talbot, E. Thrane|arXiv (Cornell University)|Dec 2, 2020

Pulsars and Gravitational Waves Research被引用 5

一句话总结

该论文提出了一种基于机器学习的方法，通过使用预处理的密度估计与高斯混合模型，加速并提高了引力波马尔莫奎斯特偏差评估的准确性。通过降低模型复杂度并提升精度，该方法实现了高效、高精度的选择函数估计——相较于以往方法仅能探测10–50%的黑洞自旋模型，本方法可探测超过99%的模型，同时在80%的参数空间中降低了不确定性。

ABSTRACT

Many astronomical surveys are limited by the brightness of the sources, and gravitational-wave searches are no exception. The detectability of gravitational waves from merging binaries is affected by the mass and spin of the constituent compact objects. To perform unbiased inference on the distribution of compact binaries, it is necessary to account for this selection effect, which is known as Malmquist bias. Since systematic error from selection effects grows with the number of events, it will be increasingly important over the coming years to accurately estimate the observational selection function for gravitational-wave astronomy. We employ density estimation methods to accurately and efficiently compute the compact binary coalescence selection function. We introduce a simple pre-processing method, which significantly reduces the complexity of the required machine learning models. We demonstrate that our method has smaller statistical errors at comparable computational cost than the method currently most widely used allowing us to probe narrower distributions of spin magnitudes. The currently used method leaves $10-50\\%$ of the interesting black hole spin models inaccessible; our new method can probe $>99\\%$ of the models and has a lower uncertainty for $>80\\%$ of the models.

研究动机与目标

• 应对探测器星表不断扩大背景下引力波群体推断中选择偏差日益增长的挑战。
• 克服现有蒙特卡洛积分方法在探测窄而尖锐的自旋分布时的局限性。
• 开发一种计算高效且精确的方法，以估计任意群体模型下的紧凑双星并合选择函数。
• 通过改进灵敏度函数估计，实现对黑洞自旋幅度和方向等天体物理参数的准确推断。
• 通过用学习到的密度估计器替代标准的注释重采样方法，降低群体研究中的统计不确定性与计算成本。

提出的方法

• 对一组已恢复的引力波注释信号应用密度估计，以建模可探测源的潜在分布。
• 引入一个预处理步骤，以消除尖锐的谱特征（例如在先验边界处），从而简化分布以利于建模。
• 使用高斯混合模型（GMMs）来近似可探测信号的密度，从而实现快速且精确的选择函数评估。
• 通过在学习到的GMM上进行参数积分，而非依赖重复的蒙特卡洛积分，来计算群体层面的探测概率 $ P_{\text{det}}(\Lambda) $。
• 将该方法与标准注释重采样技术进行验证，结果表明在收敛良好的模型中，其精度相当。
• 通过在影响灵敏度的关键参数上训练GMM，实现对天体物理上直观参数（例如分量质量、自旋幅度）的高效积分。

实验结果

研究问题

• RQ1 与标准注释重采样方法相比，结合预处理的密度估计是否能提高引力波选择函数计算的准确性和效率？
• RQ2 与现有方法相比，新方法在探测窄而尖锐的黑洞自旋幅度分布方面能覆盖多大程度？
• RQ3 在不同群体模型下，该方法与当前标准方法在选择函数估计的统计不确定性方面有何比较？
• RQ4 预处理步骤是否显著降低了实现准确密度估计所需的机器学习模型的复杂度？
• RQ5 该方法是否可应用于任意群体模型，同时保持高精度和低计算成本？

主要发现

• 与标准注释重采样方法相比，该方法在超过80%的群体模型中降低了选择函数的统计不确定性。
• 该方法可探测超过99%的黑洞自旋模型，而标准方法则使10–50%的此类模型无法探测。
• 该方法在计算成本更低的情况下，实现了与标准注释重采样方法相当或更优的准确性，尤其在窄自旋分布情况下表现更优。
• 预处理步骤有效去除了谱伪影，使得可使用简单的高斯混合模型实现高精度密度估计，而无需复杂的深度学习架构。
• 该方法可高效地对天体物理相关的参数（例如啁啾质量、质量比、自旋）进行积分，以计算任意群体模型下的 $ P_{\text{det}} $。
• 结果与 The LIGO Scientific Collaboration et al. (2021b) 的结果一致，但选择函数估计的不确定性更低。