揭示暗物质对中子星性质的影响：一种机器学习方法

近年来，研究人员对理解暗物质如何影响中子星越来越感兴趣，这有助于他们更好地理解复杂的天体物理现象。本文通过使用先进的机器学习技术来寻找暗物质与各种中子星特性之间的潜在联系，从而更深入地探讨这一问题。我们采用随机森林分类器来分析中子星（NS）性质，并研究这些星体是否表现出暗物质混合的特征。我们的数据集包含 32,000 个模拟中子星性质序列，每个序列由质量、半径和潮汐形变能力描述，这些性质是根据近期观测和理论模型推断得出的。我们探索了中子星的双流体模型，其中核物质和暗物质采用独立的状态方程，后者考虑费米子暗物质场景。我们的分类器在多种特征集上进行训练和验证，包括不同质量下的潮汐形变能力。基于混淆矩阵，这些分类器能够以约 17% 的误分类概率识别出混合暗物质的中子星。特别是，我们发现额外的潮汐形变能力数据并未显著提高预测精度。本文还探讨了特定中子星性质作为暗物质存在指标的潜力。半径测量，尤其是在极端质量值下的测量，成为特别有前景的特征。我们研究获得的见解将指导未来的观测策略并增强暗物质探测能力。根据这项研究，基于来自脉冲星 PSR J0030+0451 和 PSR J0740+6620 的 NICER 数据，1.4 和 2.07 倍太阳质量的中子星的半径强烈暗示中子星中存在暗物质的可能性大于仅由强子组成的可能性。