中子星的一阶相变——基于深度神经网络
核理论
2024-07-17 v1 高能天体物理现象
摘要
本研究利用深度神经网络(DNN)框架和当代天文观测数据，探讨中子星中一阶相变问题。中子星的方程状态(EOS)以分段多项式形式表述，声速(c_s)作为关键决定因素。在相变区域，c_s 假定为零，而在其他区间，c_s 由DNN优化。我们考察了相变起始能密度(ε_pt)，其范围从2ε_0到3ε_0(其中ε_0为核饱和密度能密度)，以及相变宽度(Δε)，范围从0.5ε_0到ε_0。我们的发现表明，ε_pt取较小值时，Δε对中子星性质（包括最大质量、对应半径、潮汐可测性、相变质量和迹象异常）的影响更为显著。相反，当ε_pt超过2.5ε_0时，Δε的影响减弱，导致EOS更硬，这与不包含相变的情形不同。此外，随着相变的开始，高密度处的迹象异常转为负值。值得注意的是，不同能密度段平均声速之间的相关性显得极其微弱。确定是否存在相变通过当前中子星的观测数据具有挑战性。
引用
@article{arxiv.2407.11447,
title = {The first-order phase transition in the neutron star from the deep neural network},
author = {Wenjie Zhou and Hong Shen and Jinniu Hu and Ying Zhang},
journal= {arXiv preprint arXiv:2407.11447},
year = {2024}
}
备注
23 pages, 9 figures, 3 tables, accepted by Physical Review D