利用人工神经网络预测双中子星并合后谱

双中子星并合后阶段的引力波可能随着现有引力波探测器的计划升级或更灵敏的下一代探测器而变得可探测。构建并合后阶段的模板库可以促进信号检测和参数估计。在这里，我们研究了人工神经网络在预测基于模拟的频域波形（限于频谱幅度和等质量模型）方面的性能，这些波形依赖于三个可通过观测推断的参数：中子星质量、潮汐形变性和半径与质量梯度。与使用多元线性回归的基线研究相比，我们发现人工神经网络在交叉验证研究中能够以更高的准确性和更一致的性能预测波形。我们还通过重新校准程序证明，未来减少我们分层方案中使用的经验关系的不确定性将导致更准确的预测并合后谱。