利用深度学习推断二进制黑洞的自旋分布

黑洞的自旋特征为理解其前体恒星的演化路径提供了宝贵的线索，这对于理解更广泛的黑洞 Population Properties 至关重要。传统用于确定这些属性的分层贝叶斯推断技术往往需要大量计算时间，且关于二进制黑洞（BBH）系统自旋分布的共识仍存争议。本研究基于 GWTC-3 的观测数据，我们采用机器学习方法来推断 BBH 系统中黑洞的自旋分布。具体而言，我们开发了深度神经网络（DNN），并使用来自 Beta 分布生成的数据进行训练。我们的训练策略通过将数据划分为 10 个 bin，不仅加速了模型训练，也增强了 DNN 应对日益增长的引力波观测量化的 versatility 和适应性。利用蒙特卡洛-自助（MC-bootstrap）生成观测-模拟样本，我们推导出自旋分布参数：$\alpha=1.3^{+0.25}_{-0.18},\beta=1.70^{+0.24}_{-0.29}$（较大黑洞样本）以及 $\alpha=1.37^{+0.31}_{-0.20},\beta=1.63^{+0.30}_{-0.20}$（较小黑洞样本）。在我们的约束范围内，组件自旋模数分布表明 BBH 合并中两个黑洞都可能具有非零自旋。