双中子星并合后残骸的机器学习分类器
高能天体物理现象
2025-01-08 v2 广义相对论与量子宇宙学
摘要
了解双中子星系统并合后产生的残骸类型（例如是否形成黑洞），不仅有助于揭示描述中子星内部极端致密物质的物态方程，也有助于理解并合后阶段涉及的物理过程。此外，在引力波探测事件中，预测中子星残骸的存在对于指导可能的电磁后续观测至关重要。在本工作中，我们利用梯度提升决策树和数值相对论模拟的公开数据构建了一个分类器，基于从引力波旋近信号推断的双星参数——总质量、质量加权潮汐形变率、质量比和有效旋近自旋——来预测双中子星并合的结果。仅利用旋近部分信号可估计的参数使我们能够在不检测并后引力波信号的情况下独立预测残骸。我们构建了三个不同的分类器以区分各种潜在情景，估计了它们的准确率和预测置信度。最后，我们将开发的分类器应用于真实事件数据，发现GW170817最可能形成了一个超大质量中子星，而GW190425则导致了黑洞的即时坍缩。
引用
@article{arxiv.2408.10678,
title = {A machine-learning classifier for the postmerger remnant of binary neutron stars},
author = {Anna Puecher and Tim Dietrich},
journal= {arXiv preprint arXiv:2408.10678},
year = {2025}
}