利用机器学习快速确定 LISA 对极端质量比旋近的灵敏度

对恒星级致密天体旋入超大质量黑洞（MBHs）的引力波观测，即极端质量比旋近（EMRIs），能够精确测量诸如 MBH 质量和自旋等参数。激光干涉空间天线（LISA）有望探测到足够多的 EMRIs 以探查 underlying 源种群，检验 MBH 及其环境的形成与演化理论。种群研究受到在 EMRI 参数空间中变化的选取效应的影响，若不加考虑将导致推断结果偏差。这种偏差可被修正，但评估大量 EMRI 信号的探测性在计算上代价高昂。我们通过以下方式降低该代价：（i）构建一个能够快速准确预测由参数得到 EMRI 信噪比的神经网络的插值器；（ii）利用我们的第一个神经网络进行数据生成，进一步通过学会选取函数的神经网络加速探测性估计。所得框架可快速估计选取函数，从而在种群推断分析中完整处理 EMRI 探测性。我们将该方法应用于天体物理驱动的 EMRI 种群模型，展示了潜在的选取偏差并随后加以修正。考虑选取效应后，我们预测 LISA 将以 8.8% 的精度测量红移低于 z=6 的 EMRIs 的 MBH 质量函数斜率、以 4.6% 的精度测量 CO 质量函数斜率、以 10% 的精度测量 MBH 自旋幅度分布的宽度、以 12% 的精度测量事件率。