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

Resumen

Hace casi una década, la primera detección de LIGO marcó el inicio de una nueva era en la astrofísica, ya que los científicos comenzaron a aprovechar el poder de las ondas gravitacionales para aprender sobre el cosmos. Con la reciente adopción de la misión LISA, cuyo lanzamiento está previsto para dentro de una década, y la llegada de la tercera generación de interferómetros terrestres, que se espera que entren en funcionamiento aproximadamente al mismo tiempo, se aproxima una segunda revolución en la astronomía de ondas gravitacionales. Al abrir la banda de frecuencia de milihercios, LISA detectará fuentes astrofísicas de ondas gravitacionales nunca antes vistas. Las capacidades del instrumento nos permitirán responder algunas de las grandes preguntas sobre el universo y las leyes de la física. LISA es un detector dominado por señales, donde muchas señales superpuestas de interés científico con diferentes propiedades están presentes en los datos en un momento dado. Para hacer ciencia, se deben desarrollar algoritmos para extraer las señales emitidas por estas fuentes y utilizarlas para caracterizar las propiedades de las mismas. Además, para muchas de estas fuentes, la alta sensibilidad de LISA impulsa la necesidad de una mayor precisión en los modelos plantilla rápidos de forma de onda utilizados en el análisis de datos. Las mejoras en el análisis de datos son fundamentales para maximizar el rendimiento científico de la misión y reducir su coste computacional. Esta tesis aborda el análisis de datos de LISA desde tres ángulos diferentes, para tres de las principales fuentes de LISA. Primero, proporcionamos una introducción completa a uno de los principales enfoques actuales para el problema: los algoritmos de Markov Chain Monte Carlo. Los aplicamos para encontrar y estimar con éxito los parámetros de las diez binarias galácticas de verificación presentes en uno de los conjuntos de datos del primer LISA Data Challenge, conocido como Radler. Los avances en el aprendizaje automático en los últimos años han despertado el interés de la comunidad de ondas gravitacionales en la búsqueda de algoritmos de análisis de datos novedosos y más eficientes. Exploramos la aplicación de métodos de aprendizaje automático al análisis de datos que contienen una señal de la coalescencia de un sistema binario de agujero negro masivo. Utilizamos "Sequential Neural Likelihood", un algoritmo de inferencia basado en simulaciones que es capaz de solicitar iterativamente más simulaciones en las regiones del espacio de parámetros donde se necesita más precisión. Esto hace que esta técnica sea mucho más eficiente en el número de evaluaciones del modelo de forma de onda que cualquier método utilizado anteriormente. Finalmente, presentamos nuestro trabajo sobre el modelado de espirales de relación de masa extrema (en inglés, EMRI) y la construcción de un nuevo modelo de forma de onda para este tipo de fuentes de LISA. La mayoría de los modelos existentes que son lo suficientemente rápidos para el análisis de datos y/o estudios de pronóstico, reproducen bien las características cualitativas de la dinámica, pero se basan en suposiciones que los hacen inexactos para la estimación de parámetros. Desarrollamos un formalismo en dominio de Fourier para EMRI genéricas basado en una aproximación geodésica por partes que permite incorporar diferentes prescripciones de reacción a la radiación, por ejemplo, utilizando el método de geodésicas osculantes. La dinámica a corto plazo se aproxima mediante una geodésica de Kerr, y los parámetros orbitales que describen la geodésica evolucionan a lo largo de una escala de tiempo de reacción a la radiación mucho más larga. El modelo es muy modular, eficiente y, en general, tiene un gran potencial de mejora en muchas direcciones.

Fecha de lectura	27 mar 2025
Idioma original	Inglés
Supervisor	Carlos Fernández Sopuerta (Director/a)