基于观测数据增强的深度学习推断对中子星状态方程的广泛研究

我们讨论了利用质量和半径的真实观测数据对中子星状态方程（EoS）进行深度学习推断。我们对传统的多项式回归与用于 EoS 参数化的神经网络方法做了定量比较。为使我们的深度学习方法能纳入观测中的不确定性，我们用对应观测不确定性的噪声涨落来增强训练数据。推导出的 EoS 可容纳弱一级相变，并我们给出了可能的一级相变区域的直方图。我们还发现，我们的观测数据增强有一个抑制过拟合行为的副作用。为检验数据增强所改善的性能，我们建立了一个作为最简单推断问题的玩具模型来恢复双峰函数并监测验证损失。我们得出结论：数据增强可成为一种有用的技术，无需调整神经网络架构（如插入 dropout）即可规避过拟合。