黑洞自旋估计的混合方法：从经典光谱学到物理信息神经网络
无序系统与神经网络
2025-08-12 v1 材料科学
摘要
黑洞自旋的测量被认为是相对星际物理学中的关键问题。现有方法，如连续光谱拟合、X射线反射光谱学和准周期振荡分析，在准确性、可解释性和可扩展性方面存在系统性局限。本文提出了一种混合方法，将基于Teukolsky形式的理论模型与物理信息神经网络(PINNs)相结合。开发了一个用于解决标量情形下线性化自旋问题的PINN模型，将物理约束直接嵌入训练过程中。无需标注数据；相反，模型是使用微分算子和边界条件作为监督进行训练。结果表明，PINN能够可靠收敛，残差损失值低于1e-7，均方根误差(RMSE)约为1e-6（最终近5.4 x 1e-8）。基准测试结果表明，所提出的方法在AUC和灵敏度方面均优于经典和数据驱动的机器学习方法，同时表现出优异的可解释性、可推广性和遵循物理原理的特性，同时计算成本适中。潜在的扩展包括与通用相对论磁流体动力学(GRMHD)求解器集成以及应用于实际观测数据。这些发现支持了基于物理的机器学习作为一种准确且可解释的黑洞自旋估计框架的可行性。
引用
@article{arxiv.2508.06505,
title = {Fracture toughness and auxeticity in disordered metamaterials},
author = {Hannes Holey and Andrea Lorenzo Henri Sergio Detry and Silvia Bonfanti and Roberto Guerra and Anshul D. S. Parmar and Jacopo Fiocchi and Ausonio Tuissi and Michael Zaiser and Stefano Zapperi},
journal= {arXiv preprint arXiv:2508.06505},
year = {2025}
}