基于UMAP的数据驱动引导双黑洞合并人口统计分析
人工智能
2026-03-09 v1 机器学习
摘要
快速扩张的引力波瞬态目录（GWTC）使得需要开发无模型技术来揭示双黑洞（BBH）人口内的趋势和亚群体成为必要。我们首次使用统一流形近似和投影（UMAP）算法，这是一种新型降维技术，用于分析GWTC-3中BBH合并的数据。我们展示了UMAP配合聚类算法有效地将人口划分为四个良好分离的子群，主要通过其主要和次要质量分量，以及一个异常事件GW。UMAP清晰地识别出约质量谱图中构建区的物体作为独立的群体，具有对齐的自旋和质量比约为，而约的过尘区物体则全部位于最大的群体中，通常表现为较低的有效自旋以及较大的质量比（平均约为）。借助分层人口推断，我们将其解释为来自不同形成路径的亚群体，与先前的发现一致。我们还发现一小群质量位于上述构建区之间的物体，支持宽泛的反对齐自旋。我们检验了低质量UMAP亚群，它显示质量比与有效自旋之间的反相关性，并证明它驱动整个GWTC-3样本的此类反相关。总体而言，我们证明了UMAP是一种可解释的、无参数的框架，可用于可视化，也可用于探索BBH人口的天体物理学。
引用
@article{arxiv.2603.06565,
title = {Boosting deep Reinforcement Learning using pretraining with Logical Options},
author = {Zihan Ye and Phil Chau and Raban Emunds and Jannis Blüml and Cedric Derstroff and Quentin Delfosse and Oleg Arenz and Kristian Kersting},
journal= {arXiv preprint arXiv:2603.06565},
year = {2026}
}