利用机器学习导出的似然从望远镜光谱推断中子星状态方程

中子星内部达到的密度和温度超出了地面实验的极限，为探索核物理提供了重要的实验室。虽然恒星内部无法直接观测，但其压强和密度决定了恒星的宏观结构，进而影响望远镜中观测到的光谱。观测与内部状态之间的关系复杂且部分不可解析，给推断带来了困难。以往的工作集中于从恒星光谱回归描述内部状态的参数。我们展示了在给定观测条件下内部状态参数完整似然的计算，通过将不可解析的部分替换为在模拟恒星样本上训练的机器学习模型来实现。我们机器学习导出的似然使我们能够对感兴趣的参数进行最大后验估计以及完整扫描。我们通过从单个恒星光谱推断恒星质量和半径，以及从一组光谱推断状态方程参数来演示该技术。我们的结果比纯回归模型更精确，在最现实的情景下将参数残差宽度减少了11.8%。这些神经网络将作为快速模拟中子星性质和观测光谱的工具发布。