基于机器学习的中子星状态方程洞察

由于其在大数据分析中强大的能力和高效率，机器学习已被应用于各个领域。我们构建了一个神经网络平台，以根据饱和密度处核物质的性质和中子星的性质来约束核物质状态方程的行为。研究发现，该神经网络能够对参数空间给出合理预测，并为强子相互作用的约束提供新的线索。作为一个具体例子，我们采用广泛接受的 Walecka 型模型中的相对论平均场近似来说明该平台的可行性和效率。结果表明，神经网络确实能以一定精度估计模型的参数，从而同时满足饱和密度附近核物质的性质和中子星的全局性质。当前模块化设计的神经网络的优化以及向其他有效模型的扩展是直接可行的。