解码中子星观测：基于贝叶斯神经网络揭示其内部结构组成

我们利用了贝叶斯神经网络（BNNs）的巨大潜力，基于中子星（NSs）的宏观性质直接破译其内部结构组成。通过分析一组模拟观测数据，即中子星半径与潮汐形变率，我们将贝叶斯神经网络作为推断中子星内部质子分数与声速的有效工具。为此，我们在约 2.5 万（$\sim$ 25K）个核状态方程（EoS）的数据集上开发了若干贝叶斯神经网络模型，该数据集通过遵循极低密度约束的贝叶斯推断在相对论平均场框架内获得。与传统神经网络不同，贝叶斯神经网络具备一项卓越特性：它们提供预测不确定性度量。为模拟真实世界观测中固有的不完美性，我们生成了四个不同的训练与测试数据集，以复现特定的观测不确定性。我们的初步结果表明，贝叶斯神经网络以合理的不确定性水平成功恢复了组成。此外，使用以 DD2（训练中所用另一类相对论平均场模型）制备的模拟数据，该贝叶斯神经网络模型有效检索了中子星物质的质子分数与声速。