Model discovery in the complex parameter space of unmodeled gravitational waveform reconstructions.

Le ricostruzioni delle onde gravitazionali non modellate sono complementari alle ricostruzioni tramite filtro corrispondente e vengono attualmente utilizzate per convalidare le ricostruzioni basate sulla stima dei parametri bayesiani (PE) e rilevare deviazioni dai modelli relativistici delle coalescenze di binarie compatte, fornendo così utili test della Relatività Generale (GR) e un mezzo per evidenziare altre interessanti caratteristiche non standard delle forme d'onda rilevate, come la presenza di microlenti gravitazionali. Tuttavia, anche se le ricostruzioni non modellate corrispondono principalmente alle ricostruzioni PE con un alto grado di precisione, essendo non modellate non restituiscono parametri del modello ma solo un grande insieme di parametri fenomenologici che non sono collegati in modo banale con le caratteristiche fisiche della sorgente di onde gravitazionali (GW). Una post-elaborazione della ricostruzione non modellata di una forma d'onda prodotta da una coalescenza di binarie compatte (CBC) restituisce la massa a chiglia del sistema in fase di coalescenza, ma altre grandezze fisiche rimangono nascoste. Lo scopo del progetto attuale è duplice: 1. Aumentare la robustezza e l'affidabilità della ricostruzione delle forme d'onda non modellate; 2. estrarre informazioni aggiuntive sulle CBC osservate sfruttando la forma d'onda non modellata. Per perseguire il primo obiettivo, estenderemo i nostri attuali strumenti, migliorando sia gli algoritmi di ricostruzione delle forme d'onda non modellate del "coherent WaveBurst" pipeline (cWB) che i metodi statistici per valutare la coerenza con i campioni posteriori delle forme d'onda risultanti dalla PE bayesiana. Ciò consentirà una selezione del modello basata sui dati. Per il secondo obiettivo, sfrutteremo le vaste informazioni nelle distribuzioni posteriori PE ottenute dalla PE bayesiana ricorrendo alle ultime tecniche di scoperta del modello con metodi di apprendimento automatico (ML). In caso di successo, saremo in grado di riportare altri parametri fisici oltre alla massa a chiglia, come la capacità di distinguere tra binarie ellittiche e binarie precesse, e - sfruttando l'alta efficienza computazionale delle ricostruzioni non modellate - saremo in grado di fornire un input tempestivo alle pipeline PE bayesiane e quindi accelerarle.

The unmodeled gravitational waveform reconstructions are complementary to the matched-filter reconstructions, and they are currently used to validate the reconstructions based on Bayesian parameter estimation (PE) and detect deviations from the relativistic models of compact binary coalescences, thus providing useful tests of General Relativity (GR) and a means to bring out other interesting non-standard features of the detected waveforms like the presence of gravitational microlensing. However, although the unmodeled reconstructions mostly match the PE reconstructions to a high degree of accuracy, being unmodeled they do not return model parameters but only a large set of phenomenological parameters that are not trivially connected with the physical features of the gravitational wave (GW) source. A postprocessing of the unmodeled reconstruction of a waveform produced by a compact binary coalescence (CBC) returns the chirp mass of the coalescing system, but other physical quantities remain hidden. The purpose of the current project is twofold: 1. Increase the robustness and reliability of unmodeled waveform reconstruction; 2. extract additional information on the observed CBCs exploiting the unmodeled waveform. To pursue 1. we shall extend our current tools, improving both the unmodeled waveform reconstruction algorithms of the unmodeled “coherent WaveBurst” pipeline (cWB) and the statistical methods to assess consistency with waveform posterior samples resulting from Bayesian PE. This will enable a data-driven model selection. For 2. we shall exploit the vast information in the PE posterior distributions obtained from Bayesian PE by resorting to the latest techniques of model discovery with machine learning (ML) methods. In case of success, we shall be able to report other physical parameters in addition to the chirp mass, such as being able to distinguish between elliptical binaries and precessing binaries, and -- exploiting the high computational efficiency of unmodeled reconstructions -- we shall be able provide prompt input to the Bayesian PE pipelines and thereby accelerate them.