Deep-learning inference of rotational core-collapse supernovae with numerically-generated gravitational-wave signals

Abstract

O colapso gravitacional do núcleo de estrelas massivas e a sua subsequente explosão como Supernovas (SN) é uma das fontes de ondas gravitacionais (GW) mais interessantes que esperamos detetar nos próximos anos. As supernovas de colapso nuclear (CCSNe) apresentam um grande interesse científico pois a análise das suas complexas ondas pode potencialmente providenciar informação valiosa sobre os processos físicos que ocorrem durante o colapso gravitacional dos núcleos de ferro de estrelas massivas. Neste trabalho, usam-se técnicas de Aprendizagem Profunda para analisar sinais de GW de CCSN em rotação, classificando-as e separando-as do ruído de fundo dos detetores e estimando alguns parâmetros físicos dos sistemas que produzem estes sinais. Para detetar GW de CCSN em rotação em dados com ruído de detetores, treinou-se uma rede de classificação com um conjunto de dados de Series Temporais de GW de CCSN geradas numericamente e injetadas em ruído real dos detetores Advanced LIGO e Advanced Virgo (correspondente ao período de observação O3a). O teste de classificação alcançou resultados significativos, atingindo uma precisão de 98% para o melhor modelo e nunca confundindo Series Temporais de ruído com sinais (taxa de falsos positivos = 0). Notamos ainda que a maioria dos sinais classificados como ruído tinham razões sinalruído (SNRs) inferiores a 10. Além disso, uma rede adicional para regressão é implementada para estimar alguns parâmetros físicos do sistema, especificamente, a amplitude da GW (Δℎ) e a frequência máxima (pico) do sinal (𝑓peak), obtida durante o ressalto do núcleo, usando um conjunto de dados semelhante. Verifica-se que nos testes de regressão se obtêm melhores resultados nas previsões da 𝑓peak do que para o Δℎ. A performance do treino está correlacionada com o SNR mínimo definido para o conjunto de dados: o melhor resultado foi obtido para um valor mínimo de SNR de 20, que usando Analise de Componentes Principais (PCA) nos gráficos de calibração dos valores previstos em função dos valores reais, fornece uma distribuição com variação 𝜎Δℎ = 0.232 e desvio do declive de 7.70% para o Δℎ e uma distribuição com variação 𝜎𝑓peak = 0.174 Hz e desvio do declive de 4.90% para a 𝑓peak.

The gravitational collapse of the core of massive stars and the subsequent explosion of such stars as a Supernova (SN) is one of the most interesting sources of Gravitational Waves (GWs) expected to be detected in the coming years. Core-Collapse Supernovae (CCSNe) hold great scientific interest as the analysis of their complex waveforms can potentially provide valuable information about the underlying physical processes operating during the gravitational collapse of the iron cores of massive stars. In this work, Deep Learning (DL) techniques are used to analyze rotational CCSNe GW signals by classifying them and correctly separating them from the background noise of the detectors and by estimating some physical parameters of the systems that produce these signals. To detect the presence of astrophysical GW from rotational CCSNe in noisy detector data, a classifi cation network is trained using a dataset of Time Series from numerically generated CCSNe waveforms injected into the real noise of the Advanced LIGO and Advanced Virgo detectors (corresponding to the O3a observing run). The classification model achieves significant results, reaching an accuracy of 98% for the best model and never confusing strains of noise with signals (false positive rate = 0). It can also be noted that most of the injected signals classified as noise had Signal-to-Noise Ratios (SNRs) below 10. Moreover, an additional regression network is implemented to perform estimation on some physical parameters of the system, specifically, the GW strain amplitude (Δℎ) and the maximum (peak) frequency of the signal (𝑓peak), attained at core bounce, using a similar dataset. We find that the regression tests yield better results for the estimation of the 𝑓peak than for Δℎ. The performance of the training was correlated with the minimum SNR set for the dataset: the best results were obtained for a minimum SNR of 20, which by using Principal Component Analysis (PCA) of the calibration plots of the predicted values vs real values gives a distribution’s variation of 𝜎Δℎ = 0.232 and a slope deviation of 7.70% for Δℎ and a distribution’s variation of 𝜎𝑓peak = 0.174 Hz and slope deviation of 4.90% for the 𝑓peak.