基于机器学习的黑洞质量-自旋图分类

我们提出了一种质量-自旋图，用于对黑洞进行分类并研究其形成途径，该图类似于赫罗图。这使得黑洞演化轨迹可以作为红移的函数，结合了各种黑洞群体的形成、吸积和并合历史。由初始质量与自旋函数以及近似红移演化构建的真实黑洞连续谱揭示了可能的黑洞主序，例如贯穿宇宙时间的持续相干吸积或分层并合树。在恒星质量范围内，我们使用双星种群合成软件比较了沃尔夫-拉叶星前身星潮汐演化的三种自旋预设，展示了质量-自旋图如何揭示有趣的模型差异。然后，我们通过对质量-自旋数据集应用监督和无监督机器学习聚类方法对黑洞种群进行分类。虽然单纯的无监督聚类几乎可以恢复典型的种群边界（恒星质量、中等质量和超大质量），但一种更复杂的方法利用深度学习，通过变分自编码器进行潜在空间表示学习，有助于对在质量-自旋空间中高度重叠的子类的真实数据集进行聚类。我们发现，监督随机森林可以根据学习到的潜在空间表示准确恢复正确的聚类，这取决于底层数据集的复杂性；半监督方法显示出进一步发展的潜力；而无监督分类器的性能则是一个巨大的挑战。我们的发现激励了未来的机器学习应用，并证明质量-自旋图可用于连接引力波与电磁观测及理论模型。