基于神经网络的 4D Einstein-Gauss-Bonnet 引力下中子星性质代理模型
广义相对论与量子宇宙学
2023-09-11 v1 高能天体物理现象
天体物理仪器与方法
摘要
机器学习与人工神经网络（ANNs）由于观测数据大量涌现带来的快速计算需求增长，已日益成为天体物理数据分析研究中不可或缺的部分。同时，中子星与黑洞在修正引力理论中已被广泛研究，因为它们使得探索引力的强场 regime 成为可能。在本研究中，我们采用 ANNs 为数值迭代方法开发代理模型，以求解特定 4D Einstein-Gauss-Bonnet 引力框架内中子星（NSs）的结构方程。我们训练了高精度代理模型，每个模型对应二十个真实状态方程（EoSs）之一。所得 ANN 模型预测单个 NS 模型的质量与半径比数值求解器快 10 至 100 倍。在批处理情形下，我们展示了加速高出几个数量级。我们训练了额外的模型，其中针对特定质量预测半径。此处加速显著更高，因为原本构建平衡模型的数值代码需做额外迭代以找到具有特定质量的模型。我们的 ANN 模型可用于加速贝叶斯推断，该理论中平衡模型的质量与半径是必需的。
引用
@article{arxiv.2309.03991,
title = {A neural-network-based surrogate model for the properties of neutron stars in 4D Einstein-Gauss-Bonnet gravity},
author = {Ioannis Liodis and Evaggelos Smirniotis and Nikolaos Stergioulas},
journal= {arXiv preprint arXiv:2309.03991},
year = {2023}
}
备注
12 pages, 8 figures