Estimation rapide des paramètres des ondes gravitationnelles pour la mission spatiale LISA // Fast parameter inference of gravitational waves for the LISA space mission

Contexte
En 2016, l'annonce de la première détection directe d'ondes gravitationnelles a ouvert une ère où l'univers sera sondé de manière inédite. Parallèlement, le succès de la mission LISA Pathfinder a permis de valider certaines technologies sélectionnées pour le projet LISA (Laser Interferometer Space Antenna). L'année 2024 a commencé avec l'adoption de la mission LISA par l'Agence spatiale européenne (ESA) et la NASA. Cet observatoire spatial des ondes gravitationnelles sans précédent sera composé de trois satellites distants de 2,5 millions de kilomètres et permettra la détection directe d'ondes gravitationnelles à des fréquences indétectables par les interféromètres terrestres. L'ESA prévoit un lancement en 2035.
Parallèlement aux aspects techniques, la mission LISA présente plusieurs défis en matière d'analyse des données qui doivent être relevés pour assurer le succès de la mission. La mission doit prouver qu'avec des simulations, la communauté scientifique sera en mesure d'identifier et de caractériser les signaux d'ondes gravitationnelles détectés. L'analyse des données comporte plusieurs étapes, dont le pipeline d'analyse rapide, dont le rôle est de détecter de nouveaux événements et de caractériser les événements détectés. Le dernier point concerne l'estimation rapide de la position dans le ciel de la source d'émission des ondes gravitationnelles et de leur temps caractéristique, comme le temps de coalescence pour une fusion de trous noirs.
Ces outils d'analyse constituent le pipeline d'analyse à faible latence. Outre son intérêt pour LISA, ce pipeline joue également un rôle essentiel pour permettre l'astronomie multi-messagers, qui consiste à surveiller rapidement les événements détectés par des observations électromagnétiques (observatoires terrestres ou spatiaux, des ondes radio aux rayons gamma).


Projet de doctorat
Le projet de doctorat se concentre sur le développement d'outils de détection et d'identification d'événements pour le pipeline d'alerte à faible latence (LLAP) de LISA. Ce pipeline sera une partie essentielle du flux de travail d'analyse de LISA, fournissant une détection rapide des binaires de trous noirs massifs, ainsi qu'une estimation rapide et précise des localisations du ciel des sources ainsi que du temps de coalescence. Ces informations sont essentielles pour les suivis multi-messager ainsi que pour l'analyse globale des données de LISA.
Alors que des méthodes d'analyse rapide ont été développées pour les interféromètres terrestres, le cas des interféromètres spatiaux tels que LISA reste un domaine à explorer. Un traitement adapté des données devra prendre en compte la façon dont les données sont transmises par paquets, ce qui rendra nécessaire la détection d'événements à partir de données incomplètes. En utilisant des données entachées d'artefacts tels que des glitchs ou des paquets de données manquants, ces méthodes devraient permettre la détection, la discrimination et l'analyse de diverses sources : fusions de trous noirs, EMRI (binaires spirales avec des rapports de masse extrêmes), sursauts et binaires provenant d'objets compacts. Un dernier élément de complexité crucial est la rapidité d'analyse, qui constitue une contrainte forte pour les méthodes à développer.
A cette fin, les problèmes que nous aborderons au cours de cette thèse seront les suivants :
1. L'inférence rapide des paramètres des ondes gravitationnelles, notamment la position du ciel et le temps de coalescence. Deux des principales difficultés résident dans la multimodalité de la distribution de probabilité a posteriori des paramètres cibles et dans les exigences strictes en matière de temps de calcul. À cette fin, nous envisagerons différentes stratégies d'inférence avancées, notamment
(a) L'utilisation d'algorithmes d'échantillonnage basés sur le gradient comme les diffusions de Langevin ou les méthodes de Monte Carlo Hamiltoniennes adaptées au problème des ondes gravitationnelles de LISA,
(b) l'utilisation de méthodes assistées par l'apprentissage automatique pour accélérer l'échantillonnage (par exemple, les normalising flows),
(c) l'utilisation de techniques d'inférence variationnelle.
2. Détection précoce des fusions de trous noirs.
3. La complexité croissante des données LISA, y compris, entre autres, un bruit réaliste, une réponse réaliste de l'instrument, des glitches, des données manquantes et des sources qui se superposent.
4. Le traitement en ligne des paquets de données de 5 minutes avec le cadre d'inférence rapide développé.
Cette thèse sera basée sur l'application de méthodes bayésiennes et statistiques pour l'analyse des données et l'apprentissage automatique. Cependant, un effort sur la partie physique est nécessaire, à la fois pour comprendre les simulations et les différentes formes d'ondes considérées (avec leurs hypothèses sous-jacentes) et pour interpréter les résultats concernant la détectabilité des signaux de fusion de trous noirs dans le contexte de l'analyse rapide des données LISA.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Context
In 2016, the announcement of the first direct detection of gravitational waves ushered in an era in which the universe will be probed in an unprecedented way. At the same time, the complete success of the LISA Pathfinder mission validated certain technologies selected for the LISA (Laser Interferometer Space Antenna) project. The year 2024 started with the adoption of the LISA mission by the European Space Agency (ESA) and NASA. This unprecedented gravitational wave space observatory will consist of three satellites 2.5 million kilometres apart and will enable the direct detection of gravitational waves at undetectable frequencies by terrestrial interferometers. ESA plans a launch in 2035.
In parallel with the technical aspects, the LISA mission introduces several data analysis challenges that need to be addressed for the mission’s success. The mission needs to prove that with simulations, the scientific community will be able to identify and characterise the detected gravitational wave signals. Data analysis involves various stages, one of which is the rapid analysis pipeline, whose role is to detect new events and characterise the detected events. The last point concerns the rapid estimation of the position in the sky of the source of gravitational wave emission and their characteristic time, such as the coalescence time for a black hole merger.
These analysis tools form the low-latency analysis pipeline. As well as being of interest to LISA, this pipeline also plays a vital role in enabling multi-messenger astronomy, consisting of rapidly monitoring events detected by electromagnetic observations (ground-based or space-based observatories, from radio waves to Gamma rays).


PhD project
The PhD project focuses on the development of event detection and identification tools for the low-latency alert pipeline (LLAP) of LISA. This pipeline will be an essential part of the LISA analysis workflow, providing a rapid detection of massive black hole binaries, as well as a fast and accurate estimation of the sources’ sky localizations as well as coalescence time. These are key information for multi-messager follow-ups as well as for the global analysis of the LISA data.
While rapid analysis methods have been developed for ground-based interferometers, the case of space-based interferometers such as LISA remains a field to be explored. Adapted data processing will have to consider how data is transmitted in packets, making it necessary to detect events from incomplete data. Using data marred by artefacts such as glitches or missing data packages, these methods should enable the detection, discrimination and analysis of various sources: black hole mergers, EMRIs (spiral binaries with extreme mass ratios), bursts and binaries from compact objects. A final and crucial element of complexity is the speed of analysis, which constitutes a strong constraint on the methods to be developed.
To this end, the problems we will be tackling during this thesis will be:
1. The fast parameter inference of the gravitational waves, noticeably, the sky position, and the coalescence time. Two of the main difficulties reside in the multimodality of the posterior probability distribution of the target parameters and the stringent computing time requirements. To that end, we will consider different advanced inference strategies including:
(a) Using gradient-based sampling algorithms like Langevin diffusions or Hamiltonian Monte Carlo methods adapted to LISA’s gravitational wave problem,
(b) Using machine learning-assisted methods to accelerate the sampling (e.g. normalising flows),
(c) Using variational inference techniques.
2. The early detection of black hole mergers.
3. The increasing complexity of LISA data, including, among others, realistic noise, realistic instrument response, glitches, data gaps, and overlapping sources.
4. The online handling of the incoming 5-minute data packages with the developed fast inference framework.
This thesis will be based on applying Bayesian and statistical methods for data analysis and machine learning. However, an effort on the physics part is necessary, both to understand the simulations and the different waveforms considered (with their underlying hypotheses) and to interpret the results regarding the detectability of black hole merger signals in the context of the rapid analysis of LISA data.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Département d’Electronique, des Détecteurs et d’Informatique pour la physique
Laboratoire : Laboratoire ingénierie logicielle et applications spécifiques
Date de début souhaitée : 01-10-2024
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)
Directeur de thèse : BOBIN Jérôme
Organisme : CEA
Laboratoire : DRF/IRFU/DEDIP
URL : https://tobias-liaudat.github.io

Public/private mixed funding

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Département d’Electronique, des Détecteurs et d’Informatique pour la physique

Diplôme d'ingénieur grande école ou Master 2 traitement du signal / machine learning