基于变分自编码器的数据驱动生成中子星方程状态

我们开发了基于结构化变分自编码器（VAE）框架的机器学习模型，用于重建和生成中子星（NS）方程状态（EOS）。该VAE包含一个编码器网络，将高维EOS数据映射到低维潜在空间，以及一个解码器网络，从潜在表示重建完整的EOS。潜在空间包括来自训练EOS数据的监督性中子星可观测量，以及对应于额外未指定EOS特征的潜在随机变量，这些特征自动学习得出。对潜在空间进行采样可生成新的、因果且稳定的EOS模型，这些模型满足对监督性中子星可观测量的天文学约束，同时允许基于贝叶斯推断对EOS进行推断，融合来自LIGO/Virgo的引力波以及脉冲星的质量和半径测量等额外的多信使数据。基于训练于Skyrme EOS数据集的VAE，我们发现，仅使用两个监督性中子星可观测量——最大质量 $(M_{\max})$ 和标准半径 $(R_{1.4})$，以及一个控制EOS在晕壳-核过渡处行为的潜在随机变量，即可以高度精度重建Skyrme EOS，实现对从解码器重建的EOS推导得出的 $(M_{\max})$ 和 $(R_{1.4})$ 平均绝对百分比误差约为 $(0.15\%)$。