机器学习之爱：用 Transformer 分类中子星状态方程

本文研究了将音频频谱图 Transformer（AST）模型用于引力波数据分析。AST 机器学习模型是一种无卷积的分类器，通过纯基于注意力机制的架构捕捉长程全局依赖关系。在本文中，该模型被应用于由五种不同的冷核物质状态方程（EOS）构建的双中子星并合旋进引力波信号模拟数据集。通过对每一类 EOS 的潮汐形变参数随质量依赖关系的分析表明，AST 模型在仅从引力波信号正确分类 EOS 方面取得了有前景的性能，特别是当双星系统的组分质量处于 $[1,1.5]M_{\odot}$ 范围内时。此外，通过使用来自训练模型时未使用的新 EOS 的引力波信号考察了模型的泛化能力，取得了相当令人满意的结果。总体而言，在使用无噪声波形的简化设置下获得的结果表明，AST 模型一旦训练完成，可能允许从双中子星并合产生的旋进引力波信号中直接即时推断冷核物质 EOS。