利用变分自编码器对中子星状态方程进行非参数表示

我们引入了一种利用变分自编码器（VAE）的中子星（NS）状态方程（EoS）的新非参数表示。作为一种深度神经网络，VAE常用于降维，因为它可以使用编码器组件将输入数据压缩到低维潜空间，然后使用解码器组件重建数据。一旦VAE被训练好，就可以将VAE的解码器作为生成器。我们采用基于\citet{2021ApJ...919...11H}的非参数表示方法生成的100,000个EoS作为训练集，并尝试不同的神经网络设置，从而得到了一个具有四个参数的EoS生成器（训练好的VAE解码器）。我们使用双中子星（BNS）并合事件GW170817的质量–潮汐形变能力数据、PSR J0030+0451、PSR J0740+6620、PSR J0437-4715和4U 1702-429的质量–半径数据以及核约束来进行联合贝叶斯推断。包含全部观测的分析总体结果为 $R_{1.4}=12.59^{+0.36}_{-0.42}\,\rm km$、$\Lambda_{1.4}=489^{+114}_{-110}$ 和 $M_{\rm max}=2.20^{+0.37}_{-0.19}\,\rm M_\odot$（90%可信水平），其中 $R_{1.4}$/$\Lambda_{1.4}$ 是典型 $1.4\,\rm M_\odot$ NS的半径/潮汐形变能力，$M_{\rm max}$ 是非旋转NS的最大质量。结果表明，与原方法相比，VAE技术的实现可获得合理结果，同时将计算加速约3–10倍或更多。