面向快速旋转中子星的普适关系评估：来自可解释深度学习视角的洞见
摘要
与核方程状态无关的 stellar properties 之间的关系为中子星物理学提供深刻洞见，并在 data analysis 中具有实际应用。通常，这些关系是从利用各种真实核冷 hadronic、hyperonic 和 hybrid EoS 模型中派生而来，这些模型应遵守当前约束并覆盖一定的刚度范围。同时，multimessenger astronomy 领域因 gravitational wave astronomy 的出现而得到显著提升，后者日益包含 deep learning 技术和算法。与此同时，基于已知脉冲器的 NICER X 射线光谱数据已可用，后续观测预期将来自于 upcoming missions。在本研究中，我们重新审视了既定的 universal relations，提出新的关系，并使用 feed-forward neural network 作为回归模型进行评估。具体而言，我们主要提出“deep” EoS-insensitive hypersurface 关系，用于在 rapid rotation 的 compact objects 之间关联若干全局参数，大多数情况下准确率达到 以内，仅有少数模型超出此阈值。虽然可以用 analytical expressions 表示其中一些关系，但 neural network 方法在 parameter space 的复杂区域表现出优势。此外，我们使用 SHapley Additive exPlanations (SHAP) 方法来解释所提出 network 的预测结果，因其基于 cooperative Game Theory 的强理论框架。最重要的是，这些高精度的 universal relations 结合可解释性描述，可用于约束中子星高密度方程状态， potentially enhance our understanding as new observables emerge。
引用
@article{arxiv.2508.05850,
title = {Assessing Universal Relations for Rapidly Rotating Neutron Stars: Insights from an Interpretable Deep Learning Perspective},
author = {Grigorios Papigkiotis and Georgios Vardakas and Nikolaos Stergioulas},
journal= {arXiv preprint arXiv:2508.05850},
year = {2025}
}