Understanding gravitational wave data with Bayesian inference and machine learning

Abstract

[spa] Uno de los campos esenciales en el análisis de datos de ondas gravitacionales es el desarrollo de modelos de forma de onda precisos y computacionalmente eficientes, que se utilizan en métodos de inferencia bayesiana para estimar los parámetros de fuentes astrofísicas. Los modelos fenomenológicos de forma de onda se basan en una de las principales metodologias usadas en dichos análisis debido a su gran simplicidad y rapidez. Estos modelos han alcanzado una alta precisión y eficiencia para el análisis de los datos en el tercer y cuarto periodo de observación de la red de detectores LIGO-Virgo-KAGRA. Sin embargo, nuevos detectores más robustos están en desarrollo, y la sensibilidad de los detectores actuales aumenta constantemente. Lo que supondrá un aumento significativo en el número de detecciones, provocando dificultades en el procesado de señales de ondas gravitacionales detectadas debido al gran volumen de datos y en la extracción de información científica más compleja. Esto requiere un desarrollo de modelos de forma de onda más precisos y rápidos, y aquí es donde entran en juego los algoritmos de aprendizaje automático. El objetivo principal de esta tesis es comprender el funcionamiento de los algoritmos de muestreo de estimación de parámetros y cómo el uso los diferentes modelos de forma de onda de la generación actual impacta en la convergencia de los resultados. Teniendo en cuenta la precisión de dichos modelos de forma de onda para lograr una mejor convergencia de los resultados y evitar errores sistemáticos, en la segunda parte de esta tesis, se utiliza técnicas de aprendizaje automático para continuar con la mejora de la generación actual de modelos fenomenológicos , en particular, la fase de relajación de la forma de onda. En la primera parte de esta tesis, se estudia en detalle el impacto en la estimación de parámetros de las mejoras aplicadas al tratamiento de precesión y la incorporación de modos subdominantes en la cuarta generación de modelos fenomenológicos, en comparación con la generación anterior. En este estudio se reanaliza la estimación de parámetros de en primer lugar el evento de masa altamente desigual, GW190412, ya que el efecto de los modos armónicos esféricos subdominantes es más fuerte en los sistemas de masa desigual, y de todas las coalescencias de agujeros negros binarios del primer catálogo de ondas gravitacionales. La segunda parte de la tesis se centra en la descripción de la fase de relajación de la última generación de modelos fenomenológicos, mejorando las predicciones actuales de las propiedades remanentes de los sistemas binarios de agujeros negros. Para ello, se amplia el trabajo previo realizado por Haegel et al. (2020) con el fin de encontrar una metodología general para construir una red neuronal profunda con la precisión y eficiencia deseadas, evitando underfitting y overfitting. El trabajo se aplica primero a sistemas de agujeros negros binarios sin precesión debido a la simplicidad del espacio de parámetros y luego se extiende, de forma preliminar, a sistemas con precesión. Los resultados obtenidos en este apartado mejoran significativamente las aproximaciones actuales utilizadas en los modelos fenomenológicos, por lo que un estudio más exhaustivo del método aplicado a sistemas con precesión contribuirá notablemente en la mejora de la fase de relajación de los modelos fenomelógicos. Dicha metodología abre la puerta a ser usada en la construcción entera de modelos fenomenológicos de forma de onda usándola en el ajuste los coeficientes fenomenológicos.

[cat] Un dels camps essencials en l’anàlisi de dades d’ones gravitacionals és el desenvolupament de models de forma d’ona precisos i computacionalment eficients, que s’utilitzen en mètodes d’inferència bayesiana per estimar els paràmetres de fonts astrofísiques. Els models fenomelògics de forma d’ona es basen en una de les principals mètodologies usades en dits análisis a causa de la seva simplicitat i rapidesa. Aquests models han aconseguit una alta precisió i eficiència per a l’anàlisi de les dades al tercer i quart període d’observació de la xarxa de detectors LIGO-Virgo-Kagra. Tot i això, s’estan desenvolupant detectors més robustos, i la sensibilitat dels detectors actuals segueix augmentant constantment. Com a resultat, hi haurà un augment significatiu en el nombre de deteccions, cosa que provocarà dificultats en el processament de senyals d’ones gravitacionals detectades a causa del gran volum de dades i en l’extracció d’informació científica més complexa. Això requereix un desenvolupament de models d’ona més precisos i ràpids, i aquí és on entren en joc els algorismes d’aprenentatge automàtic. L’objectiu principal d’aquesta tesi és comprendre el funcionament dels algoritmes de mostreig d’estimació de paràmetres i com l’ús els diferents models de forma d’ona de la generació actual impacta en la convergència dels resultats. A més, després de comprendre com n’és d’important la precisió d’aquests models de forma d’ona per aconseguir una millor convergència dels resultats i evitar errors sistemàtics, a la segona part d’aquesta tesi s’utilitzen tècniques d’aprenentatge automàtic per continuar amb la millora de la generació actual de models fenomenològics, en particular, la fase de relaxació de la forma d’ona. A la primera part d’aquesta tesi, s’estudia amb detall l’impacte en l’estimació de paràmetres de les millores en el tractament de precessió i la incorporació de modes subdominants a la quarta generació de models fenomenològics, en comparació amb la generació anterior. Aquest estudi reanalitza amb detall l’estimació de paràmetres de primer lloc l’esdeveniment de massa altament desigual detectat durant el tercer període d’observació, GW190412, ja que l’efecte dels modes harmònics esfèrics subdominants és més fort en els sistemes de massa desigual, i finalment de totes les coalescències de forats negres binaris del primer catàleg d’ones gravitacionals. A la segona part de la tesi, també es realitza un estudi per millorar la fase de relaxació de l’última generació de models fenomenològics millorant les prediccions actuals de les propietats romanents dels sistemes binaris de forats negres. Per això, s’amplia el treball previ realitzat per Haegel et al. (2020) per tal de trobar una metodologia general per construir una xarxa neuronal profunda amb la precisió i eficiència desitjades, evitant underfitting i overfitting. El treball s’aplica primer a sistemes de forats negres binaris sense precessió a causa de la simplicitat de l’espai de paràmetres i després s’estén, com a primer intent, a sistemes amb precessió. És necessari un estudi més exhaustiu del mètode aplicat a sistemes amb precessió, però els resultats preliminars milloren significativament les aproximacions actuals utilitzades en els models fenomenològics. Aquesta metodologia obre la porta a ser emprada en a la construcció sencera de models fenomenològics de forma d’ona usant-la a l’ajust els coeficients fenomenològics.

[eng] One of the essential fields in gravitational wave (GW) data analysis is the development of accurate and computationally efficient waveform models, which are used in Bayesian inference methods to estimate the parameters of the astrophysical source of an event. Phenomenological waveform models are one of the main waveform modelling approaches used for such analyses. These waveform models have reached high accuracy and efficiency in analysing the data of the third and fourth observational runs of the LIGO-Virgo-Kagra detector network. However, new and more robust detectors are under development, and current detectors’ sensitivity is constantly increasing. As a result, there will be a significant increase in the number of detections, which will present new difficulties in processing the huge number of gravitational wave signals detected and extracting the most valuable scientific information from them. This requires the development of more accurate and faster waveform models, and here is where machine learning algorithms come into play. The main goal of this thesis is to understand the parameter estimation samplers’ operation and how different waveform models of the current generation, impact the convergence of the results. Furthermore, after understanding how important the accuracy of such waveform models is to achieving better convergence of the results and avoiding systematic errors, in the second part of this thesis, we use machine learning techniques to continue the improvement of the current generation of phenomenological waveform models, in particular the ringdown part of the waveform. In the first part of this thesis, I study in detail the impact on parameter estimation of the improvements in the precessing treatment and the addition of subdominant modes in the fourth generation of phenomenological models, compared to the previous generation. This study is performed as a re-analysis of the parameter estimation of the highly unequal mass event, GW190412 since the effect of sub-dominant spherical harmonic modes is stronger in unequal-mass systems and all the binary black hole coalescences of the first GW catalog. In the second part of the thesis, I also perform a study to improve the ringdown part of the last generation of phenomenological waveform models by improving the current fits of the remnant properties of binary black hole systems. In order to do that, I extend the previous work performed by Haegel et al. (2020) in order to find a general methodology to build a deep neural network (DNN) with the desired accuracy and efficiency, preventing underfitting and overfitting. The work has been first applied to non-precessing binary black hole systems due to the simplicity of the parameter space and then extended, as a first attempt, towards precessing systems. Deeper studies have to be applied in the precessing parameter space, but preliminary results significantly improve the current approximations used in the phenomenological waveform models. Such methodology will also be expanded toward the whole construction of phenomenological waveform models and will be used to fit the phenomenological coefficients.