Classifying binary black holes from Population III stars with the <i>Einstein</i> Telescope: A machine-learning approach
Notice bibliographique
Résumé
Third-generation (3G) gravitational-wave detectors such as the Einstein Telescope (ET) will observe binary black hole (BBH) mergers at redshifts up to z ∼ 100. However, an unequivocal determination of the origin of high-redshift sources will remain uncertain because of the low signal-to-noise ratio (S/N) and poor estimate of their luminosity distance. This study proposes a machine-learning approach to infer the origins of high-redshift BBHs. We specifically differentiate those arising from Population III (Pop. III) stars, which probably are the first progenitors of star-born BBH mergers in the Universe, and those originated from Population I-II (Pop. I–II) stars. We considered a wide range of models that encompass the current uncertainties on Pop. III BBH mergers. We then estimated the parameter errors of the detected sources with ET using the Fisher information-matrix formalism, followed by a classification using XGBOOST, which is a machine-learning algorithm based on decision trees. For a set of mock observed BBHs, we provide the probability that they belong to the Pop. III class while considering the parameter errors of each source. In our fiducial model, we accurately identify ≳10% of the detected BBHs that originate from Pop. III stars with a precision > 90%. Our study demonstrates that machine-learning enables us to achieve some pivotal aspects of the ET science case by exploring the origin of individual high-redshift GW observations. We set the basis for further studies, which will integrate additional simulated populations and account for further uncertainties in the population modeling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».