基于深度神经网络的中子星状态方程非参数模型

理解中子星（NS）的状态方程（EOS）具有重大科学意义，其中子星核心包含极高密度物质。然而，理论对 NS 状态方程的预测存在很大不确定性。发展一个足够灵活、既能考虑理论预测系统误差又能同时将其作为最佳猜测的新框架十分有用。我们采用深度神经网络，利用当前可用数据对 NS 的 EOS 进行非参数拟合。在该框架中，应用高斯过程表示 EOS 以及闭合物理解所需的训练集数据。我们的模型构建于如下假设：NS 的真实 EOS 是相对论平均场模型预测的微扰。我们使用两个不同示例数据集拟合 NS 的 EOS，它们均能满足来自大质量中子星、NICER 以及双中子星引力波的最新约束。在给定假设下，我们发现由两个不同示例数据集得到的中子星最大质量为 $2.38^{+0.15}_{-0.13} M_\odot$ 或 $2.41^{+0.15}_{-0.14}$（95% 置信水平）。这意味着 $1.4 M_\odot$ 半径为 $12.31^{+0.29}_{-0.31}$ km 或 $12.30^{+0.35}_{-0.37}$ km。这些结果与使用类似先验的先前研究一致。这证明了利用非参数模型恢复 NS 的 EOS。