中子星脉冲轮廓建模的机器学习加速

计算旋转中子星脉冲轮廓的光线追踪算法是利用NICER等任务数据约束中子星性质的重要工具。然而，这些模拟的高计算成本对需要数百万次评估的推理算法（如马尔可夫链蒙特卡洛方法）构成了显著瓶颈。在本工作中，我们开发了一个残差神经网络模型，通过将观测通量表示为旋转中子星物理参数和旋转相位的函数来加速该计算。利用GPU并行化评估，我们证明该模型相比传统光线追踪实现了多个数量级的加速，同时保持了高精度。我们还表明，训练后的网络可以通过对局域通量预测进行积分，高效地适应复杂的辐射几何结构，包括非圆形和多个热点。