利用机器学习和深度学习回归技术重建致密星的状态方程

本论文聚焦于利用现代机器学习和深度学习方法重建描述致密星内部的状态方程（EoSs）。该流程基于质量-半径（M-R）曲线数据，这些数据是通过对一系列可接受的状态方程数值求解 Tolman-Oppenheimer-Volkoff 方程获得的。论文分为理论部分（第 1-4 章）和计算部分（第 5-7 章）。理论章节分析了中子星和夸克星的性质、可行 EoS 模型的物理约束，并介绍了回归算法（决策树、随机森林、梯度提升、XGBoost）以及带有归一化和 dropout 技术的神经网络。计算部分介绍了强子星和夸克星（MIT 袋模型、CFL）人工 EoS 的生成、TOV 方程的数值求解、数据准备和超参数调优。结果包括使用 MSE/MSLE 指标对模型进行训练和评估、神经网络的学习曲线，以及对 21 个强子星和 20 个夸克星 EoS 的重建。提供了源代码和工具以保证可重复性和未来研究。本工作旨在建立一个可重用且可扩展的框架，加强理论天体物理学与计算科学之间的联系。