[论文解读] Pre-merger sky localization of gravitational waves from binary neutron star mergers using deep learning

C. Chatterjee, L. Wen|arXiv (Cornell University)|Dec 30, 2022

Pulsars and Gravitational Waves Research参考文献 38被引用 4

一句话总结

本文提出 GW-SkyLocator，一种深度学习模型，可在并合前最多60秒内实现双中子星（BNS）引力波源的预先天区定位，其天区定位面积与快速贝叶斯工具 BAYESTAR 相当。该方法的推理速度比传统马尔可夫链蒙特卡洛（MCMC）技术快几个数量级，从而实现了对前驱电磁辐射的实时多信使后续观测。

ABSTRACT

The simultaneous observation of gravitational waves (GW) and prompt electromagnetic counterparts from the merger of two neutron stars can help reveal the properties of extreme matter and gravity during and immediately after the final plunge. Rapid sky localization of these sources is crucial to facilitate such multi-messenger observations. Since GWs from binary neutron star (BNS) mergers can spend up to 10-15 mins in the frequency bands of the detectors at design sensitivity, early warning alerts and pre-merger sky localization can be achieved for sufficiently bright sources, as demonstrated in recent studies. In this work, we present pre-merger BNS sky localization results using CBC-SkyNet, a deep learning model capable of inferring sky location posterior distributions of GW sources at orders of magnitude faster speeds than standard Markov Chain Monte Carlo methods. We test our model's performance on a catalog of simulated injections from Sachdev et al. (2020), recovered at 0-60 secs before merger, and obtain comparable sky localization areas to the rapid localization tool BAYESTAR. These results show the feasibility of our model for rapid pre-merger sky localization and the possibility of follow-up observations for precursor emissions from BNS mergers.

研究动机与目标

• 实现双中子星（BNS）引力波源的快速并合前天区定位，以促进多信使观测。
• 克服当前引力波警报系统中的延迟，该延迟导致电磁（EM）后续观测延迟数分钟。
• 开发一种深度学习模型，能够比标准马尔可夫链蒙特卡洛（MCMC）方法快几个数量级地推断天区位置后验分布。
• 使用模拟的 BNS 注入数据，将模型性能与成熟的快速定位工具 BAYESTAR 进行验证。

提出的方法

• GW-SkyLocator 是一个在 TensorFlow 2.4 中实现的深度神经网络，用于从引力波应变数据中推断 BNS 源的二维天区定位后验分布。
• 该模型在 Sachdev 等人（2020）提供的 2000 个模拟 BNS 注入数据目录上进行训练，覆盖从并合前 0 到 58 秒的时间延迟。
• 输入特征包括在设计灵敏度下，来自三至四台探测器网络（H1、L1、V1、KAGRA）的引力波信号的时间-频率表示。
• 模型输出每个注入事件在天球上的 90% 置信区域面积和后验概率分布。
• 通过将 GW-SkyLocator 的 90% 置信区域面积和后验准确性与 BAYESTAR 在相同模拟数据上的结果进行比较，评估模型性能。
• 通过 P–P 图进行后验预测检验，以验证模型不确定性估计的统计可靠性。

实验结果

研究问题

• RQ1 深度学习模型能否在显著更快的推理速度下，实现与 BAYESTAR 相当的 BNS 并合前天区定位精度？
• RQ2 该深度学习模型的性能如何随并合前时间（从并合前 0 到 60 秒）变化？
• RQ3 该模型能否在信噪比（SNR）范围为 9 至 40 的不同条件下，生成统计上可靠且校准良好的后验分布？
• RQ4 在真实探测器数据中存在非平稳噪声和干扰脉冲时，该模型存在哪些局限性？
• RQ5 该模型能否扩展以预测光度距离，并实现 BNS 源的体积定位？

主要发现

• GW-SkyLocator 对 BNS 源的 90% 置信区域面积在并合前 0 至 58 秒的所有时间延迟下，与 BAYESTAR 的结果在统计上无法区分。
• 对于网络信噪比在 9 至 40 之间的注入事件，该模型的中位 90% 置信区域面积与 BAYESTAR 的偏差在 10% 以内。
• P–P 图显示，GW-SkyLocator 的后验分布校准良好，95% 的累积分布落在 95% 置信带内。
• 该模型的推理速度比基于标准 MCMC 的贝叶斯方法快几个数量级，从而实现了实时定位。
• 该模型在完整的 60 秒并合前窗口内表现出一致性能，随着并合临近，定位精度无显著下降。
• 结果证实了使用深度学习实现实时、并合前天区定位的可行性，可为瞬时和前驱电磁辐射的后续观测提供支持。