从中子星概率分布到状态方程的机器学习推断中的不确定性量化

我们讨论了直接利用观测得到的中子星概率分布，对中子星物质的状态方程进行机器学习推断和不确定性量化。我们先前提出了一种基于集成学习的不确定性量化方案，通过评估独立训练模型的输出方差来实现。为了确认我们先前结果的可靠性，我们采用了一种不同的不确定性量化原理。为此，我们对数据进行蒙特卡洛采样以推断状态方程，并与观测数据的概率分布进行卷积。在这种新提出的方法中，我们可以处理不依赖于高斯近似的任意概率分布。我们纳入了来自近期多信使源的观测数据，包括精确的质量测量和半径测量。我们还量化了数据增强的重要性以及先验依赖性的影响。