基于机器学习的致密双星并合源性质推断
天体物理仪器与方法
2020-06-24 v2 高能天体物理现象
摘要
双中子星(BNS)并合事件GW170817的探测是致密双星并合多信使观测的首个成功案例。推断出的并合率,加上当前LIGO/Virgo以及未来LIGO/Virgo/KAGRA观测运行中地基引力波(GW)网络灵敏度的提升,强烈暗示将探测到可能产生电磁(EM)对应体的双星。快速评估可能导致对应体的性质,对于辅助对时间敏感的后续观测操作(尤其是机器人望远镜)至关重要。至少,产生对应体的可能性需要一颗中子星(NS)。此外,潮汐瓦解物理对于确定并合后 remnant 物质十分重要,其动力学可能导致对应体。然而,主要挑战在于:基于实时GW模板的搜索所估计的双星系统参数(如质量和自旋)通常受统计与系统误差主导。在此,我们提出一种利用监督机器学习来减轻此类选择效应、并基于NS组分的存在以及并合后remnant物质的存在实时报告对应体可能性的方法。
引用
@article{arxiv.1911.00116,
title = {A Machine Learning Based Source Property Inference for Compact Binary Mergers},
author = {Deep Chatterjee and Shaon Ghosh and Patrick R. Brady and Shasvath J. Kapadia and Andrew L. Miller and Samaya Nissanke and Francesco Pannarale},
journal= {arXiv preprint arXiv:1911.00116},
year = {2020}
}
备注
accepted in ApJ