Gravitational Wave SBI

Projektüberblick

Dieses Projekt behandelt die Schätzung von Quellparametern für simulierte Gravitationswellensignale binärer Schwarzer Löcher. Ziel ist es, physikalische Eigenschaften der Quelle aus verrauschten Zeitbereichs-Wellenformen zu inferieren, wobei eine Simulation-Based-Inference-Pipeline statt eines klassischen likelihood-basierten Ansatzes verwendet wird.

Die Pipeline erzeugt mit PyCBC zwei Wellenform-Polarisationen, h+ und h×, und trainiert ein BayesFlow-Modell, um vollständige Posterior-Verteilungen über die Quellparameter zu lernen. Dadurch ist das Projekt nicht nur eine Punktvorhersage, sondern ein bayesianisches Inferenzproblem mit Unsicherheitsquantifizierung.

Problemstellung

Wenn zwei Schwarze Löcher umeinander kreisen und verschmelzen, senden sie Gravitationswellen aus, deren Frequenz und Amplitude Informationen über Massen, Spins, Distanz und Inklination des binären Systems enthalten. Unter realistischen Bedingungen ist das Signal schwach und durch Rauschen gestört, was die Parameterschätzung anspruchsvoll macht.

Simulationsaufbau

Die Wellenformen wurden mit PyCBC und dem aligned-spin IMRPhenomD-Wellenformmodell erzeugt. Jede Stichprobe enthält zwei Zeitbereichs-Polarisationen und wird als zweikanalige Zeitreihe fester Länge verarbeitet.

• Wellenformmodell: IMRPhenomD aligned-spin binary black hole waveform.
• Eingabekanäle: h+ und h× Polarisationen.
• Länge: 4096 Zeitschritte pro Stichprobe.
• Sampling: Δt = 1/2048 s mit f_lower = 20 Hz.
• Augmentation: Amplituden-Jitter und leichtes weißes Rauschen.
• Datensatz: 12.000 Simulationen aufgeteilt in Training, Validierung und Test.

Parametrisierung

Der Simulator verwendet physikalische Parameter wie Komponenten-Massen, ausgerichtete Spins, Leuchtkraftdistanz und Inklination. Für das Training wurde der Zielraum reparametrisiert, um die Lernstabilität zu verbessern und bekannte Degeneracies in Gravitationswellen zu berücksichtigen.

Modellarchitektur

Das Modell folgt einem Encoder-plus-Flow-Design. Ein TimeSeriesNetwork fasst die zweikanalige Wellenform in eine kompakte Repräsentation zusammen, und ein bedingtes Flow-Matching-Netzwerk transformiert eine Basisverteilung in Posterior-Samples über den sechsdimensionalen Parametervektor.

Summary Network

• BayesFlow TimeSeriesNetwork für 4096 × 2 Wellenform-Eingaben.
• 9 Convolutional Layers mit 200 Filtern.
• Kernelgröße 12 und Pooling-Faktor 2.
• MLP-Layer [256, 256, 128].
• 128-dimensionale Summary-Repräsentation.
• Dropout = 0,20 zur Regularisierung.

Inference Network

• BayesFlow FlowMatching Inference Network.
• 10 Flow-Blöcke.
• Bedingtes Posterior-Sampling für sechs Zielparameter.
• Flexible Posterior-Darstellung für korrelierte und schiefe Parameterverteilungen.

Trainingsaufbau

Das Modell wurde mit Adam trainiert und anhand des Validierungsverlusts überwacht. Early Stopping und Learning-Rate-Reduktion wurden eingesetzt, um die Konvergenz zu stabilisieren und Overfitting zu vermeiden.

• Optimizer: Adam.
• Learning Rate: 5 × 10−4.
• Batch Size: 32.
• Trainingsbudget: 55 Epochen.
• Callbacks: EarlyStopping und ReduceLROnPlateau.
• Split: 90% Training, 5% Validierung, 5% Test.

Ergebnisse

Das Modell erzielte sehr starke Ergebnisse bei Parametern, die durch die Wellenform gut informiert sind, insbesondere Leuchtkraftdistanz und Inklination. Massen- und Spin-Parameter zeigten unterschiedliche Schwierigkeitsgrade, was bekannte physikalische Degeneracies widerspiegelt.

Raw-Test-Performance

Diagnostik

Das Projekt nutzte mehrere Diagnostiken, um zu prüfen, ob die Posterior-Verteilungen sinnvoll sind, nicht nur ob Posterior-Mittelwerte genau sind. Dazu gehörten Trainingskurven, Recovery Plots, PIT-Histogramme, Simulation-Based Calibration und posterior predictive checks.

Simulation-Based Calibration

SBC wurde verwendet, um zu prüfen, ob die wahren Parameter erwartungsgemäß in die Posterior-Verteilung fallen. Die z-Score-Zusammenfassungen zeigten insgesamt gut kalibrierte Unsicherheit, mit parameterspezifischen Effekten wie Over-Coverage für cosι und leichter Under-Coverage für χeff.

Posterior Predictive Checks

Posterior Predictive Checks wurden durchgeführt, indem Posterior-Samples gezogen, Wellenformen erneut simuliert und mit beobachteten Test-Wellenformen verglichen wurden. Posterior-Mittelwert-Wellenformen waren erwartungsgemäß glatter als verrauschte Daten, da das Mitteln über Posterior-Draws Rauschen und hochfrequente Variation reduziert.

Post-Training-Kalibrierung

Eine leichte Post-Training-Kalibrierung wurde ohne erneutes Training angewendet. Ziel war es, die Qualität der Posterior-Unsicherheit zu verbessern, während die Posterior-Mittelwerte erhalten bleiben.

• log10 D: eine reine Skalierungsanpassung nach SNR-Tertilen reduzierte Intervallbreiten und brachte die Coverage näher an den Nominalwert.
• χeff: ein q-binned Beta-PIT Warp verbesserte die PIT-Uniformität und leicht die 68%-Coverage.
• cosι: Diagnostiken deuteten auf leichte Over-Coverage hin, d. h. Posterior-Intervalle waren zu breit.

Limitationen und zukünftige Arbeit

Das Projekt nutzte bewusst ein vereinfachtes Simulationssetting, um die Implementierung und Validierung einer funktionierenden BayesFlow-Pipeline in den Vordergrund zu stellen. Die wichtigsten Limitationen betreffen physikalischen Realismus und Signalkomplexität.

• Es wurden nur simulierte Daten verwendet, keine realen Detektordaten.
• Das Rauschmodell war leichtes weißes Rauschen, nicht farbiges nichtstationäres Detektorrauschen.
• Es wurde keine Multi-Detektor-Antwort modelliert.
• Die Wellenformfamilie enthielt keine Präzession oder höhere Moden.
• χa blieb schwer zu inferieren, weil das Signal nur begrenzte Information über antisymmetrischen Spin enthält.

Zukünftige Arbeit könnte Multi-Detektor-Beobachtungen, Whitening und Bandpassing, reichere Wellenformmodelle sowie kalibrierungsbewusste Trainingsziele einbeziehen.

Ergebnis

Dieses Projekt vertiefte mein Verständnis von Simulation-Based Inference, amortisierter bayesianischer Inferenz, Posterior-Diagnostik, wissenschaftlicher Simulation und Unsicherheitskalibrierung. Es zeigte außerdem, wie wichtig es ist, Posterior-Verteilungen mit Kalibrierungsdiagnostiken zu validieren und sich nicht nur auf Punktgenauigkeit zu verlassen.