扭分离银河双星动物园：基于 LISA 数据的机器学习分类

激光中子天文台（LISA）将开启毫赫兹引力波带的新观测窗口，使其能够探测数万个银河中致密天体双星系统。LISA 的大多数来源将是双白矮星（WDWD）系统，而中子星-白矮星（NSWD）双星和更高质量系统则稀少得多，但具有重要天文学意义。由于引力波特征之间存在强烈重叠，使这些天体 population 难以分离。本文研究了基于 LISA 可观测量对 LISA 可探测双星进行分类的机器学习技术。我们使用由人口-合成研究构建的银河双星模拟目录，评估了多种机器学习分类器。我们发现，集成方法——特别是梯度提升算法如 XGBoost —— 在高度不平衡的数据集上表现最佳。WDWD 系统的召回率约为 $99\%$，这反映了其主导地位；高质量双星也获得了较高的召回率（$\geq 85\%$）。相比之下，NSWD 系统是最难区分的 population：其特征与 WDWD 双星的特征高度重叠，使其极易误分类。尽管如此，XGBoost 在模拟 LISA 探测中正确识别了 85.6% 的 NSWD 系统，优于基于核密度估计的简单统计方法。我们进一步演示了机器学习分类可有效支持 LISA 数据的解释，使其能够识别离心双星和极少数子类的鲁棒性。