Development of data analysis algorithms and waveform models for the LISA mission

Resum

Fa gairebé una dècada, la primera detecció de LIGO va marcar l'inici d'una nova era en astrofísica, ja que els científics van començar a aprofitar el poder de les ones gravitatòries per conèixer el cosmos. Amb l'adopció recent de la missió LISA - programada per llançar-se d'aquí a una dècada - i l'arribada de la tercera generació d'interferòmetres terrestres - que s'espera que estiguin operatius aproximadament al mateix temps - una segona revolució en l'astronomia d'ones gravitatòries està molt a prop. En obrir la banda de freqüència de mil·lihertz, LISA detectarà fonts astrofísiques d'ones gravitatòries mai vistes. Les capacitats de l'instrument ens permetran respondre algunes de les grans preguntes sobre l'univers i les lleis de la física. LISA és un detector dominat per senyals, on molts senyals superposats, d'interès científic i amb diferents propietats, estan presents a les dades en tot moment. Per fer ciència, s'han de desenvolupar algorismes per extreure els senyals emesos per aquestes fonts i utilitzar-los per caracteritzar les propietats de la font. A més, per a moltes d'aquestes fonts, l'alta sensibilitat de LISA genera la necessitat d'una major precisió i eficiència en els models de forma d'ona que són utilitzats en l'anàlisi de dades. Les millores en l'anàlisi de dades són fonamentals per maximitzar el retorn científic de la missió i reduir els seus costos computacionals. Aquesta tesi aborda l'anàlisi de dades LISA des de tres angles diferents, per a tres de les principals fonts de LISA. En primer lloc, oferim una introducció completa a un dels principals enfocaments actuals del problema: els algorismes de Markov Chain Monte Carlo. Els hem aplicat per trobar i estimar amb èxit els paràmetres dels deu sistemes binaris galàctics de verificació presents en un dels conjunts de dades del primer repte de dades de LISA, conegut com Radler. Els avenços en l'aprenentatge automàtic dels darrers anys han despertat interès en la comunitat d'ones gravitatòries, en la recerca d'algoritmes d'anàlisi de dades nous i més eficients. Explorem l'aplicació de mètodes d'aprenentatge automàtic a l'anàlisi de dades que contenen un senyal de la coalescència d'un sistema binari de forat negres massius. En particular, utilitzem "Sequential Neural Likelihood", un algorisme d'inferència basat en simulacions que és capaç de sol·licitar de manera iterativa més simulacions a les regions de l'espai de paràmetres on es necessita més precisió. Això fa que aquesta tècnica sigui molt més eficient en el nombre d'avaluacions del model de forma d'ona que qualsevol mètode utilitzat anteriorment. Finalment, presentem el nostre treball sobre el modelatge de sistemes binaries amb raó de masses extrema en la fase de caiguda en espiral (EMRIs), i la construcció d'un nou model de formes d'ona per a aquest tipus de fonts de LISA. La majoria dels models existents que són prou ràpids, per a l'anàlisi de dades i/o estudis predictius, reprodueixen bé les característiques qualitatives de la dinàmica, però es basen en hipòtesis que els fan inexactes per a l'estimació de paràmetres. Desenvolupem un formalisme en el domini de Fourier per a EMRIs genèrics basat en una aproximació geodèsica a interbals que permet incorporar diferents prescripcions de la reacció a la radiació, per exemple, utilitzant el mètode de les geodèsiques osculants. La dinàmica a curt termini s'aproxima mitjançant una geodèsica de Kerr, i els paràmetres orbitals que descriuen la geodèsica evolucionen al llarg de l'escala de temps de la reacció de radiació, molt més llarga. El model és molt modular, eficient i, en general, té molt potencial de millora en moltes direccions.

Data del Ajut	27 de març 2025
Idioma original	Anglès
Supervisor	Carlos Fernández Sopuerta (Director/a)