Gravitational waves from compact binary mergers

Abstract

As ondas gravitacionais (OG) são ondas no tecido do espaço-tempo causadas por fenómenos astrofísicos como supernovas de colapso do núcleo e fusões binárias compactas. Apesar das enormes energias envolvidas nestes eventos, a amplitude das OG geradas é notavelmente pequena, e a sua detecção directa não foi possível até muito recentemente: em 2015, os dois interferómetros da colaboração LIGO detectaram um evento astrofísico consistente com a fusão de dois buracos negros, dando início à era da astronomia de OG. A esta rede de detectores juntaram-se o interferómetro Virgo (Observatório Gravitacional Europeu) em 2017 e o interferómetro KAGRA (Universidade de Tóquio) em 2020, reforçando a nossa capacidade de detectar e analisar estes eventos. A sondagem de regimes de gravidade extrema promete abrir novas portas para testes de física fundamental. Por exemplo, OG de fusões de estrelas de neutrões e supernovas permitem a exploração de processos nucleares no núcleo de estrelas compactas. Outras aplicações incluem a utilização de OG de sistemas compactos para testes de gravidade de campo forte e teorias de gravidade modificada. Futuros interferómetros espaciais, como LISA, poderão permitir um estudo da física do início do universo para além do que é possível com a radiação electromagnética. No entanto, as actuais abordagens à análise de dados baseiam-se em métodos de match-filtering, que têm custos computacionais significativos. As técnicas de deep learning, que têm tido uma explosão no desenvolvimento ao longo das últimas décadas, têm demonstrado a capacidade de obter elevados níveis de performace tanto em precisão como em tempo de execução. Estes métodos foram naturalmente propostos como um potencial aliado para a detecção e inferência de parâmetros nos sinais de OG. Neste trabalho, exploramos a aplicação de redes neurais convolutivas em representações de tempo-frequência de OG de fusões binárias compactas, para a detecção de sinais e inferência de parâmetros. Mostramos que a detecção destes sinais pode ser alcançada com uma precisão significativa, e que a inferência de parâmetros físicos é viável nesta implementação.

Gravitational waves (GW) are ripples in the fabric of spacetime caused by astrophysical phe nomena such as core-collapse supernovae and compact binary mergers. Despite the enormous energies involved in these events, the amplitude of the generated GWs is remarkably small, and their direct detection has been impossible until very recently: in 2015, the two inter ferometers of the LIGO collaboration detected an astrophysical event consistent with the merger of two black holes, ushering in a new era of GW astronomy. The detector network was joined by the European Gravitational Observatory’s Virgo interferometer in 2017 and the University of Tokyo’s KAGRA interferometer in 2020, further bolstering our capacity to detect and analyse these events. Probing extreme gravity regimes promises to open new doors for tests of fundamental physics. For example, GWs from neutron star mergers and supernovae allow for the explora tion of nuclear processes at the core of compact stars. Other applications include using GWs from compact systems for tests of strong-field gravity and modified gravity theories. Future space-based interferometers such as LISA may allow for a probing of early-universe physics beyond what is possible with electromagnetic radiation. However, current approaches to data analysis are based on match-filtering methods, which come with significant computa tional costs. Deep learning techniques, which have seen an explosion in development over the last couple of decades, have shown the capacity for high performace levels in both accuracy and speed at runtime. These methods have naturally been proposed as a potential ally for detection and parameter inference on GW signals. In this work, we explore the application of convolutional neural networks on time-frequency representations of GW data from compact binary mergers, for both signal detection and para meter inference. We show that the detection of these signals can be achieved with significant accuracy, and that physical parameter inference is feasible in this implementation.