基于神经网络的快速旋转中子星可观测量重建
高能天体物理现象
2026-04-08 v1 广义相对论与量子宇宙学
摘要
旋转显著影响中子星 (NS) 的属性，但对快速旋转中子星的准确建模需要求解二维、轴对称系统，使得传统计算在需要大量模型评估的推断分析中过于昂贵。我们开发了一种保持中子星属性关于状态方程 (EoS) Chronological-like 依赖关系的因果卷积神经网络，快速重构静态、Keplerian 和旋转配置的可观测量。我们使用 \texttt{RNS} 生成中子星可观测量的数据集并用于训练我们的网络。我们使用三个具有代表性的 EoS (SFHo、SLy4 和 DD2) 对我们的网络进行验证，发现它们准确地再现了 \texttt{RNS} 的结果。训练好的网络对单个 EoS 的中子星配置评估时间约为 \sim 50ms，为 \sim 30 分钟的典型 \texttt{RNS} 运行时间提供了显著的加速，使其能够高效地进行涉及快速旋转中子星的推断分析。
引用
@article{arxiv.2604.05428,
title = {Reconstruction of fast-rotating neutron star observables with the neural network},
author = {Wen Liu and Lingxiao Wang and Zhenyu Zhu},
journal= {arXiv preprint arXiv:2604.05428},
year = {2026}
}
备注
12 pages, 7 figures