[论文解读] TESLA-X: An effective method to search for sub-threshold lensed gravitational waves with a targeted population model

Alvin K. Y. Li, C. Chan+4 more|arXiv (Cornell University)|Nov 10, 2023

Pulsars and Gravitational Waves Research被引用 6

一句话总结

TESLA-X 是一种新颖的方法，通过利用有针对性的群体模型和基于强引力透镜信号注入优化的模板库，检测亚阈值、强引力透镜引力波。与原始 TESLA 方法相比，该方法将检测灵敏度提高了最多 20%，尤其在检测已知超阈值事件的微弱透镜对应信号方面表现更优，显著提升了 LIGO-Virgo-KAGRA 在 O4 运行期间首次探测到透镜引力波的可能性。

ABSTRACT

Strong gravitational lensing can produce copies of gravitational-wave signals from the same source with the same waveform morphologies but different amplitudes and arrival times. Some of these strongly-lensed gravitational-wave signals can be demagnified and become subthreshold. We present TESLA-X, an enhanced approach to the original GstLAL-based TargetEd Subthreshold Lensing seArch (TESLA) method, for improving the detection efficiency of these potential subthreshold lensed signals. TESLA-X utilizes lensed injections to generate a targeted population model and a targeted template bank. We compare the performance of a full template bank search, TESLA, and TESLA-X methods via a simulation campaign, and demonstrate the performance of TESLA-X in recovering lensed injections, particularly targeting a mock event. Our results show that the TESLA-X method achieves a maximum of $\sim 10\%$ higher search sensitivity compared to the TESLA method within the subthreshold regime, presenting a step towards detecting the first lensed gravitational wave. TESLA-X will be employed for the LIGO-Virgo-KAGRA's collaboration-wide analysis to search for lensing signatures in the fourth observing run.

研究动机与目标

• 提升对亚阈值、强引力透镜引力波信号的检测灵敏度，这些信号弱到无法被单独识别。
• 解决原始 TESLA 方法中因模板库构建不理想导致的信噪比损失问题。
• 通过基于已知超阈值事件的透镜信号注入构建有针对性的群体模型，提升搜索效率。
• 通过将计算资源集中于最可能的参数空间，更有效地识别透镜对应信号。
• 支持 LIGO-Virgo-KAGRA 合作组在第四次观测运行（O4）中搜索引力透镜特征。

提出的方法

• TESLA-X 使用透镜引力波注入，模拟来自已知超阈值事件的潜在亚阈值信号。
• 通过在检索到的注入信号的源参数上应用高斯核密度估计（KDE），构建有针对性的群体模型，将其转换为概率密度函数。
• 通过在注入信号周围定义边界，生成密集分布、有针对性的模板库，从而在减小搜索空间的同时最小化信噪比损失。
• 利用新构建的群体模型和模板库重新处理数据，以识别具有更高灵敏度的亚阈值候选信号。
• 采用基于误报率（FAR）和似然（ℒ）的排序统计量，以区分真实天体物理信号与噪声触发。
• 通过模拟实验验证该方法，将完整模板库、TESLA 和 TESLA-X 方法在包含目标事件（MS220508a）的模拟数据上进行对比。

Figure 1: Workflow of TESLA-X. Elements in grey are the same procedures as in traditional TESLA. Colored elements (color online) are new procedures in TESLA-X.

实验结果

研究问题

• RQ1 有针对性的群体模型能否提升对亚阈值透镜引力波信号的检测灵敏度？
• RQ2 与原始 TESLA 方法相比，TESLA-X 如何减少信噪比损失？
• RQ3 TESLA-X 在恢复透镜注入信号方面，相较于完整模板库和 TESLA 搜索，其性能提升程度如何？
• RQ4 在真实噪声条件下，TESLA-X 能否有效识别已知超阈值事件的亚阈值透镜对应信号？
• RQ5 通过引入基于注入的群体建模和优化模板库，所能实现的最大灵敏度增益是多少？

主要发现

• 在亚阈值范围内，TESLA-X 相较于原始 TESLA 方法，最大可实现约 20% 的灵敏度提升。
• 与完整模板库和 TESLA 方法相比，TESLA-X 恢复了更多针对模拟事件 MS220508a 的透镜注入信号。
• 有针对性的模板库构建将信噪比损失控制在小于 3%（与理想完整模板库相比），显著提升了信号恢复效率。
• 在 TESLA-X 下，体积-时间度量增加，表明其具备探测更远距离或具有更低本征振幅信号的能力。
• 有针对性的群体模型通过聚焦于透镜信号最可能的参数空间，有效降低了背景噪声的影响。
• TESLA-X 已被选定用于 LIGO-Virgo-KAGRA 合作组在第四次观测运行（O4）中搜索引力透镜特征的全合作组搜索任务。

Figure 2: A cartoon depicting how we construct a reduced template bank from the injection results following the Traditional TESLA method (top right) and the proposed TESLA-X method (bottom left and right).