多信使电磁与引力波观测的贝叶斯实时分类

由于并合过程中产生电磁辐射，含中子星的致密双星并合可能导致多信使观测。为使用电磁望远镜对引力波信号进行后随观测，及时识别这些源的性质至关重要。该识别必须依赖于由低延迟探测流水线实时确定的前身星源性质，如分量质量与自旋。然而，这些流水线的输出可能存在偏差，从而降低参数恢复精度。机器学习算法被用于修正此偏差。本工作中，我们重新审视该问题并讨论两种有监督机器学习算法（K 近邻与随机森林）的新实现，它们能够跨不同搜索流水线与数据集，在低延迟致密双星并合搜索中预测中子星及并合后物质遗迹的存在。此外，我们提出计算这两项指标的贝叶斯概率的新方案。与源自二分类机器学习分类器的指标分数不同，我们的方案旨在为天文界提供定义良好的概率。这将提供更直接且易解读的产物，以协助电磁望远镜决定是否对引力波事件进行实时后随观测。