Inferência bayesiana direta para populações binárias de buracos negros

Apresentamos PopCWB, uma estrutura Bayesiana para a inferência da população binária de buracos negros baseada no pipeline de pesquisa não modelado WaveBurst coerente. Apresentamos PopCWB, uma estrutura bayesiana para a inferência da população de buracos negros binários (BBH) baseada no pipeline de pesquisa não modelado WaveBurst coerente (cWB).

A análise populacional padrão adota uma abordagem inversa, inferindo os parâmetros subjacentes do modelo populacional para um determinado conjunto de eventos detectados usando amostras posteriores individuais. No PopCWB, adotamos uma abordagem avançada para a inferência populacional, variando os modelos populacionais para identificar o mais ideal que descreve os eventos observados.

Em vez de usar amostras posteriores em nível de evento, o PopCWB usa um grande conjunto de eventos simulados reconstruídos pelo cWB e sua massa total, estimada com uma regressão de aprendizado de máquina, para construir distribuições de probabilidade marginal. Essas probabilidades marginais são então usadas na construção da probabilidade.

Aplicamos PopCWB a eventos BBH detectados por cWB durante a terceira execução de observação (O3) dos detectores LIGO--Virgo--KAGRA. Restringimos um modelo populacional BBH com motivação astrofísica que incorpora os efeitos de supernovas pulsacionais de instabilidade de pares e fusões dinâmicas.

A análise prevê uma massa máxima de buraco negro de $\mathbf{45, 5^{+5, 3}_{-6, 5} M_{\odot}}$ da evolução estelar e uma taxa de fusão BBH local inferida de $\mathbf{23, 1^{+11, 3}_{-8, 4} \, Gpc^{-3} yr^{-1}}$. Comparamos esses resultados com os modelos populacionais existentes na literatura.

Tanto indivíduos como organizações que trabalham com arXivLabs abraçaram e aceitaram nossos valores de abertura, comunidade, excelência e privacidade dos dados do usuário.

Fonte