基于神经网络的随机引力波背景 astrometric 约束

天体测量为约束随机引力波背景 (SGWB) 提供了独特的途径。本文研究了两种神经网络架构（完全连接网络和图神经网络）用于分析天体测量数据以检测 SGWB 的应用。具体而言，我们生成模拟的 Gaia 天体测量数据，用于预测 SGWB 的能量密度 $\Omega_\text{GW}$。我们评估了两种模型在不同输入数据集下的性能，以 assessing their robustness across different configurations。我们还与基于马尔可夫链蒙特卡拉 (MCMC) 方法的似然方法进行了直接比较，发现神经网络方法显着地更快，所需时间仅为分钟级别，而 MCMC 所需时间为天级，同时仍能捕捉数据中的相同特征。我们的结果表明，神经网络能够有效约束 SGWB，显示出作为解决传统似然方法所面临的系统不确定性和建模局限性工具的潜力。