Fast and Efficient Bayesian Method to Search for Strongly Lensed Gravitational Waves
Notice bibliographique
Résumé
Abstract A small fraction of the gravitational-wave (GW) signals from binary black holes observable by ground-based detectors will be strongly lensed by intervening objects such as galaxies and clusters. Strong lensing will produce nearly identical copies of the GW signals separated in time. These lensed signals must be identified against a background of unlensed pairs GW events, some of which may appear similar by accident. This is usually done using fast, but approximate methods that, for example, check for the overlap between the posterior distributions of a subset of binary parameters, or using slow, but accurate joint Bayesian parameter estimation. In this work, we present a modified version of the posterior overlap method dubbed “PO2.0” that is mathematically equivalent to joint parameter estimation while still remaining fast. We achieve a significant gain in efficiency by incorporating informative priors about the binary and lensing populations, selection effects, and all the inferred parameters of the binary. For binary black hole signals lensed by galaxies, our improved method can detect 65% lensed events at a pairwise false alarm probability of ∼2 × 10−6. Consequently, we have a 13% probability of detecting a strongly lensed event above 2.25σ significance during 18 months of observation by the LIGO-Virgo detectors at their current sensitivity. We also show how we can compute the joint posteriors of the lens and source parameters from a pair of lensed events by reweighting the posteriors of individual events in a computationally inexpensive way.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».