用于通过引力波高效进行广义相对论理论无关检验的神经后爱因斯坦框架

参数化后爱因斯坦框架及其变体被广泛用于通过引力波检验来探测引力，这些检验适用于广义相对论之外的一大类理论。然而，ppE 框架并非真正的理论无关，因为它仅捕获了偏离广义相对论的某些类型：那些在合并致密物体的旋近阶段具有后牛顿级数表示的偏离。此外，ppE 框架中的每种偏离类型都必须单独检验，使得整个过程在计算上低效且昂贵，这可能会掩盖未来可能检测到的潜在偏离的理论解释。我们在此提出神经后爱因斯坦框架，这是 ppE 形式的一种扩展，利用深度学习神经网络克服了上述弱点。npE 框架的核心是一个变分自编码器，它以组织良好的方式将离散的 ppE 理论映射到连续的潜在空间中。这种设计使得 npE 框架能够同时检验多种理论，并在单次参数估计运行中选择最能描述观测结果的理论。ppE 参数化的平滑扩展也允许使用 npE 模型搜索更一般类型的偏离。我们展示了新 npE 框架在未来 LIGO-Virgo-KAGRA 合作组第五次观测运行中广义相对论检验的应用。特别地，我们证明了 npE 框架能够高效探索超出 ppE 框架映射范围的广义相对论修改，包括在极高后牛顿阶下对 Einstein-Hilbert 作用量的高阶曲率修正，以及在可能隐藏的物质扇区中不具后牛顿表示的暗光子相互作用。