利用机器学习解码二进制中子星的长时段引力波：参数估计与方程状态
广义相对论与量子宇宙学
2025-07-02 v3 高能天体物理现象
天体物理仪器与方法
摘要
二进制中子星（BNS）产生的引力波（GW）提供了对致密天体和核子物质本质的宝贵理解，随着第三代（3G）引力波探测器的应用，预计将实现对BNS信号时长、探测率和信号强度的数量级提升。然而，针对此类持续时长信号的计算需求对于现有贝叶斯方法而言在3G时代提出了关键挑战。为填补这一关键空白，我们展示了一种基于机器学习的工作流程，能够在几秒钟内（仅需最小硬件资源）对时长数小时的BNS信号进行源参数估计和方程状态（EOS）约束。我们采用对GW数据和EOS的高效压缩技术，利用神经网络构建推断用的正态流（normalizing flows），从而实现秒级结果。我们框架下BNS信号分析的优化计算成本表明，机器学习有望成为未来面向目录级BNS分析的必不可少的工具，为在3G观测景观中开展大规模的BNS相关物理研究 paving the way for large-scale investigations of BNS-related physics across the 3G observational landscape.（注：最后一句英文保留以符合学术惯例）
引用
@article{arxiv.2412.03454,
title = {Decoding Long-duration Gravitational Waves from Binary Neutron Stars with Machine Learning: Parameter Estimation and Equations of State},
author = {Qian Hu and Jessica Irwin and Qi Sun and Christopher Messenger and Lami Suleiman and Ik Siong Heng and John Veitch},
journal= {arXiv preprint arXiv:2412.03454},
year = {2025}
}
备注
10 pages, 4 figures. Accepted version