引力波星族的深度学习与贝叶斯推断：层级黑洞并合

引力波事件目录在不断增长，我们通过推断质量、自旋等分布来约束恒星级黑洞并合 underlying 天体物理学的希望也随之增长。虽然传统分析用简单唯象模型参数化该星族，我们提出了一种基于仿真的途径，可将天体物理模拟与引力波数据进行比较。我们将最先进的深度学习技术与层级贝叶斯推断相结合，并利用我们的方法从最新 LIGO/Virgo 目录中的引力波事件约束重复黑洞并合的性质。深度神经网络使我们能够 (i) 构建灵活的单体星族模型，精确仿真层级并合的简参化数值模拟，(ii) 估计选择效应，以及 (iii) 恢复重复并合代际的分支比。在我们的结果中，我们发现如下：宿主环境逃逸速度的分布偏好小于 $100~\mathrm{km\,s^{-1}}$ 的值但相对平坦，约 $37\%$ 的第一代并合保留在其宿主环境中；第一代黑洞的诞生最大质量与当前来自对不稳定超新星的估计相容；质量和自旋分布中均存在多峰子结构，在我们的模型中可由重复并合解释；具有更高代分量的双星至少占 underlying 星族的 $14\%$。尽管这些结果通过对简化模型的仿真推断得出，我们提出的深度学习流水线可直接应用于真实的天体物理模拟。