神经后验估计中中子星方程状态

我们提出了一种基于神经后验估计（NPE）的仿真推断框架，用于从中子星（NS）方程状态（EoS）的天体观测数据中进行约束。这些观测数据包括质量、半径和潮汐变形性，使用条件正规流（CNF）进行神经后验估计。为确保模型符合现实情况，我们将物理信息约束直接嵌入训练损失函数中。这使得能够高效地、无需似然函数地推断关键热力学量的完整后验分布，包括压强、平方声速以及 traces 异常（trace anomaly），这些量都是以观测数据为条件的。我们的模型在两个无偏EoS先验生成的合成数据集上进行训练：多项式参数化（PT）和高斯过程（GP）重构。这些数据集涵盖了各种情景，包括是否存在潮汐变形性信息以及观测噪声的存在与否。在所有设置下，该方法都产生准确且校准良好的后验分布，当包含潮汐变形性约束时，不确定性会显著降低。此外，我们发现标准化预测离散度的行为与中子星内部最大中心密度密切相关，这表明该模型可以间接推断这一具有物理意义的量。该方法在不同EoS族之间具有很好的推广性，能够准确重建诸如多项式指数等导数量，显示其鲁棒性及其探索中子星核心密集物质的潜力。