机器学习在多信使新物理与宇宙学探索中的应用：综述与展望

多信使探索暗物质和标准模型之外的物理已成为现代天体-粒子物理中的核心方向，特别是随着引力波发现的推进。在本工作中，我们综述并展望了利用机器学习增强的多信使方法，结合来自引力波、宇宙射线、伽马射线、中子星和实验室实验的信息。我们总结了当前领域的发展状况，讨论了近期的方法学进展，并概述了一个旨在将异构数据整合到统一推断框架中的协同计划。我们的合作提出了一项计划，旨在从多信使天文学技术和实验室物理输入中提取关于暗物质性质与相互作用信息，最终了解其起源。计划中的主要目标包括：i) 多信使分析宇宙学中的新物理，包括但不限于多种暗物质模型；ii) 地面宇宙射线实验中新物理信号的现象学，结合相应的物理、天体和宇宙观观测结果；iii) 开发用于地面宇宙射线实验数据分析的机器学习方法，针对新的物理信号。我们指出，多个小组已探索使用多信使观察，包括引力波，来探测替代性暗物质候选者。本工作建立在这些发展基础上，聚焦于机器学习在整合异构数据中的作用。我们预计，这种跨学科的方法将成为提取关于基础物理中剩余主要问题的正确路径。