超大质量黑洞双星种群的深度神经网络模拟
天体物理仪器与方法
2024-11-19 v1 广义相对论与量子宇宙学
摘要
虽然超大质量黑洞（SMBH）双星不是最近脉冲计时阵列（PTA）数据集所证据的低频引力波背景（GWB）信号的唯一可行来源，但预计它们是最可能的来源。因此，将测量到的 PTA GWB 频谱与支配 SMBH 双星人口统计学和动力学的底层物理联系起来极为重要。以前，高斯过程（GP）和稠密神经网络被用作条件模拟器来建立这种联系；它们的输入是一些选定的演化或环境 SMBH 双星参数，输出是模拟的 GWB 应变集合分布在许多宇宙中的均值和标准差。在本文中，我们使用基于归一化流（NF）的模拟器，它是在整个 GWB 应变集合分布上训练的，而不仅仅是均值和标准差。因此，我们可以预测非常接近底层模拟的应变分布，同时也捕捉应变分布中的频率协方差以及统计复杂性，如尾部、非高斯性和多峰性，这些是现有技术无法学习的。特别是，我们展示了基于 NF 的模拟器与过去广泛使用的 GP 方法的各种比较。我们的分析结论是，基于 NF 的模拟器不仅在训练的便捷性和计算成本上优于 GP，而且在模拟的 GWB 应变集合分布的保真度上也优于 GP。
引用
@article{arxiv.2411.10519,
title = {Deep Neural Emulation of the Supermassive Black-hole Binary Population},
author = {Nima Laal and Stephen R. Taylor and Luke Zoltan Kelley and Joseph Simon and Kayhan Gultekin and David Wright and Bence Becsy and J. Andrew Casey-Clyde and Siyuan Chen and Alexander Cingoranelli and Daniel J. D'Orazio and Emiko C. Gardiner and William G. Lamb and Cayenne Matt and Magdalena S. Siwek and Jeremy M. Wachter},
journal= {arXiv preprint arXiv:2411.10519},
year = {2024}
}