基于神经网络从中子星参数重构致密物质状态方程

目的：本工作的目的是研究以自编码器架构为指导的人工神经网络作为一种精确重构中子星状态方程的方法的应用，所使用的可观测参数为质量、半径和潮汐形变能力。此外，我们研究仅利用潮汐形变能力的引力波观测（即并非以直接方式相关的量）能在多大程度上重构中子星半径。方法：在状态方程重构中应用人工神经网络利用了该机器学习模型的非线性潜力。由于网络中的每个神经元基本上是一个非线性函数，因此可以在输入观测集合与输出状态方程表之间建立复杂映射。在监督训练范式下，我们在一个生成的数据集上构建了一个具有若干隐藏层的深度神经网络，该数据集由现实的中子星壳层状态方程与分段相对论多方物态致密核连接而成，其参数代表了当前最先进的现实状态方程。结果：我们展示了我们的机器学习实现在具有不同观测数量和测量不确定度的模拟情形下的性能。此外，我们研究了中子星质量分布对结果的影响。最后，我们使用基于现实状态方程的模拟质量—半径和质量—潮汐形变能力序列，测试了在参数化多方训练集上训练的状态方程重构。在有限数据集上训练的神经网络能够泛化现实模型的全局参数与状态方程输入表之间的映射。