Rapid Parameter Estimation for Extreme Mass Ratio Inspirals Using Machine Learning

要約

極端質量比吸気 (EMRI) 信号は、その低周波数の性質と非常に複雑な波形により、重力波 (GW) 天文学において重大な課題を引き起こし、多数の変数を含む高次元パラメーター空間を占有します。
吸気タイムスケールが長く、信号対雑音比が低いことを考慮すると、EMRI 信号は長期間の観察期間が必要になります。
パラメータ推定は、尤度関数に固有の平坦な領域や隆線だけでなく、複数の極大値から生じる非局所的なパラメータの縮退により、特に困難になります。
これらの要因により、従来のマッチド フィルタリングやランダム サンプリング手法を採用している場合、パラメータ分析の時間が非常に複雑になります。
これらの課題に対処するために、本研究では、ODE ニューラル ネットワークに基づいて最近開発されたフロー マッチング技術を活用して、機械学習を EMRI 信号のベイジアン事後推定に適用します。
私たちのアプローチは、パラメーター推定の不偏性を維持しながら、従来のマルコフ連鎖モンテカルロ (MCMC) 法よりも数桁速い計算効率を実証します。
私たちは、機械学習テクノロジーが、EMRI 信号に関連する最大 17 個のパラメーターを含む広大なパラメーター空間を効率的に処理できる可能性があることを示します。
さらに、私たちの知る限り、これは機械学習、特に連続正規化フロー (CNF) を EMRI 信号解析に適用した最初の例です。
私たちの発見は、EMRI波形解析における機械学習の有望な可能性を強調し、宇宙ベースのGW検出とGW天文学の進歩に新たな視点を提供します。

要約(オリジナル)

Extreme-mass-ratio inspiral (EMRI) signals pose significant challenges in gravitational wave (GW) astronomy owing to their low-frequency nature and highly complex waveforms, which occupy a high-dimensional parameter space with numerous variables. Given their extended inspiral timescales and low signal-to-noise ratios, EMRI signals warrant prolonged observation periods. Parameter estimation becomes particularly challenging due to non-local parameter degeneracies, arising from multiple local maxima, as well as flat regions and ridges inherent in the likelihood function. These factors lead to exceptionally high time complexity for parameter analysis while employing traditional matched filtering and random sampling methods. To address these challenges, the present study applies machine learning to Bayesian posterior estimation of EMRI signals, leveraging the recently developed flow matching technique based on ODE neural networks. Our approach demonstrates computational efficiency several orders of magnitude faster than the traditional Markov Chain Monte Carlo (MCMC) methods, while preserving the unbiasedness of parameter estimation. We show that machine learning technology has the potential to efficiently handle the vast parameter space, involving up to seventeen parameters, associated with EMRI signals. Furthermore, to our knowledge, this is the first instance of applying machine learning, specifically the Continuous Normalizing Flows (CNFs), to EMRI signal analysis. Our findings highlight the promising potential of machine learning in EMRI waveform analysis, offering new perspectives for the advancement of space-based GW detection and GW astronomy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google