Kosmologia i fale grawitacyjne: co zmieni Einstein Telescope?

Czy zastanawiałeś się kiedyś, jak zmierzyć odległość do obiektu, który nie emituje żadnego światła? To nie jest pytanie z testu z fizyki – to jeden z realnych problemów, z którymi mierzą się dzisiaj kosmolodzy. Fale grawitacyjne otwierają tu zupełnie nową ścieżkę, a detektor Einstein Telescope ma tę ścieżkę poszerzyć do rozmiarów autostrady.

Obecne detektory, takie jak LIGO i Virgo, zarejestrowały dziesiątki zdarzeń związanych ze zderzeniami czarnych dziur i gwiazd neutronowych. Einstein Telescope, jako obserwatorium trzeciej generacji planowane do uruchomienia około 2035 roku, ma obserwować o rzędy wielkości więcej takich zdarzeń – katalogi rzędu dziesiątek tysięcy przypadków rocznie. To zmiana nie tylko ilościowa, lecz także jakościowa: przy takiej skali danych kosmologia oparta o fale grawitacyjne staje się precyzyjną nauką pomiarową.

Czym są dark sirens i dlaczego są ważne dla kosmologii?

Większość zderzeń czarnych dziur nie pozostawia żadnego śladu w świetle widzialnym, podczerwieni ani promieniowaniu rentgenowskim. Takie zdarzenia nazywa się dark sirens – ciemnymi syrenami. Za tym określeniem kryje się konkretna metoda wyznaczania stałej Hubble’a.

Fale grawitacyjne z połączenia dwóch czarnych dziur niosą w sobie informację o odległości do źródła – wynika to bezpośrednio z amplitudy sygnału. Jeśli do tej odległości uda się przypisać przesunięcie ku czerwieni z katalogu galaktyk, można wyznaczyć H₀ bez żadnego elektromagnetycznego odpowiednika zdarzenia. Metoda działa statystycznie: przy tysiącach zdarzeń błędy przypadkowego przypisania galaktyk uśredniają się, a wynik zbiega do wartości rzeczywistej.

Przy katalogu rzędu O(10⁴) zdarzeń, jaki przewiduje się dla ery Einstein Telescope, precyzja wyznaczenia H₀ oraz parametru gęstości materii Ω_m w płaskim modelu ΛCDM może osiągnąć poziom jednego procenta. To wynik porównywalny z najlepszymi pomiarami mikrofalowego promieniowania tła, tyle że uzyskany zupełnie inną metodą.

Jakie parametry kosmologiczne można wyznaczyć z mergerów czarnych dziur?

Analiza populacji podwójnych czarnych dziur pozwala jednocześnie ograniczać kilka grup parametrów. Badania skupiają się na następujących wielkościach:

• H₀ – stała Hubble’a, opisująca tempo ekspansji wszechświata; obecne pomiary z różnych metod różnią się o około 5–10%, co stanowi tzw. napięcie Hubble’a;
• Ω_m – gęstość materii, wyznaczana łącznie z H₀ w ramach płaskiego modelu ΛCDM;
• parametry star formation rate density, czyli tempo powstawania gwiazd w funkcji przesunięcia ku czerwieni;
• rozkłady mas składników układów podwójnych, które wchodzą do analizy jako parametry astrofizyczne populacji.

Kosmologia i astrofizyka nie muszą być analizowane osobno – nowoczesne metody pozwalają ograniczać parametry kosmologiczne i populacyjne jednocześnie, co zmniejsza ryzyko błędów systematycznych.

Hierarchical Bayesian Inference – jak działa tradycyjne podejście?

Hierarchical Bayesian Inference (HBI) to metoda stanowiąca od lat standard w analizie populacji źródeł fal grawitacyjnych. Jej logika jest przejrzysta: każde zdarzenie dostarcza rozkładu prawdopodobieństwa dla swoich parametrów, a następnie wszystkie te rozkłady są łączone w jednym modelu hierarchicznym opisującym całą populację.

Problem pojawia się przy skali. Przy katalogu dziesiątek tysięcy zdarzeń obliczenie funkcji wiarygodności w HBI staje się obliczeniowo niewykonalne w rozsądnym czasie. Każde wywołanie funkcji likelihood wymaga całkowania po parametrach każdego pojedynczego zdarzenia – a przy O(10⁴) przypadkach koszt rośnie gwałtownie. Przy obecnych katalogach liczących kilkadziesiąt do kilkuset zdarzeń HBI działa sprawnie. Przy skali Einstein Telescope tradycyjne podejście staje się wąskim gardłem całego procesu naukowego.

Simulation-Based Inference jako skalowalna alternatywa

Simulation-based inference (SBI) podchodzi do problemu inaczej. Zamiast obliczać funkcję wiarygodności analitycznie, metoda uczy sieci neuronowej rozpoznawania związku między parametrami modelu a obserwowanymi danymi – na podstawie dużej liczby wcześniej przeprowadzonych symulacji.

W omawianym podejściu używa się wariantu SBI zwanego Marginal Neural Ratio Estimation (MNRE). Sieć uczy się szacować stosunek prawdopodobieństwa hipotezy do hipotezy zerowej dla każdego parametru z osobna, co pozwala unikać przekleństwa wymiarowości przy dużej liczbie parametrów populacyjnych.

Wyniki pokazują bardzo dobrą zgodność posteriorów uzyskanych metodą SBI i klasyczną HBI, przy kosztach obliczeniowych mniejszych o rzędy wielkości – po uwzględnieniu jednorazowego kosztu symulacji i treningu sieci. Raz wytrenowany model można wielokrotnie stosować do nowych katalogów bez ponownego treningu od zera. Analiza, która w HBI zajęłaby tygodnie na klastrze obliczeniowym, w SBI może trwać godziny.

Jak metody symulacyjne zmieniają analizę populacji w erze ET?

Tradycyjny podział na „wyznacz parametry zdarzenia, potem analizuj populację” zaczyna się rozmazywać. Metody symulacyjne pozwalają na wspólną analizę kosmologii i astrofizyki w jednym kroku – co było trudne do osiągnięcia przy klasycznym HBI ze względu na rosnący wymiar przestrzeni parametrów.

Wyobraź sobie, że chcesz jednocześnie wyznaczyć H₀, Ω_m i tempo powstawania gwiazd w różnych epokach kosmicznych, mając do dyspozycji katalog 10 000 zdarzeń. W HBI każdy dodatkowy parametr populacyjny zwielokrotnia koszt obliczeniowy. W SBI koszt rośnie znacznie wolniej, bo sieć neuronowa uczy się globalnego związku między parametrami a danymi.

Analiza populacji podwójnych czarnych dziur w erze Einstein Telescope stanie się jednym z głównych narzędzi precyzyjnej kosmologii – obok pomiarów CMB i supernowych typu Ia. Fale grawitacyjne testują inne etapy historii wszechświata i inne aspekty fizyki fundamentalnej niż pozostałe metody, co pozwala na niezależną weryfikację wyników.

Zanim Einstein Telescope zacznie zbierać dane, warto śledzić, jak rozwijają się narzędzia obliczeniowe do analizy jego przyszłych katalogów. Jeśli interesujesz się tym tematem od strony technicznej, przejrzyj dostępne implementacje SBI w astrofizyce – biblioteka `swyft` jest publicznie dostępna i dokumentuje dokładnie te metody, o których mowa w tym tekście. To rzadki przypadek, gdy narzędzie naukowe jest gotowe zanim pojawi się instrument, który będzie je potrzebował.