利用机器学习参数化双中子星并合后信号
广义相对论与量子宇宙学
2022-07-20 v1 高能天体物理现象
机器学习
机器学习
摘要
人们对双中子星并合后振荡的引力波探测与表征日益关注。这些信号包含关于遗迹天体性质以及并合后过程的高密度与非平衡物理的信息，可补充任何电磁信号。然而，双中子星并合后波形的构建远比双黑洞复杂：（i）中子星状态方程及高密度物理其他方面存在理论不确定性，（ii）数值模拟代价高昂，现有模拟仅以有限数值精度覆盖参数空间的一小部分，（iii）如何参数化理论不确定性并在参数空间插值尚不清楚。本工作中，我们描述使用一种称为条件变分自编码器（CVAE）的机器学习方法，基于数值相对论模拟构建超/大质量中子星遗迹信号的并合后模型。CVAE 提供了一种概率模型，将训练数据中的不确定性编码于一组潜参数中。我们估计训练此类模型最终将需要 个波形。然而，使用合成训练波形作为原理验证，我们展示 CVAE 可用作准确的生成模型，并将其状态方程编码于有用的潜表示中。
引用
@article{arxiv.2201.06461,
title = {Using machine learning to parametrize postmerger signals from binary neutron stars},
author = {Tim Whittaker and William E. East and Stephen R. Green and Luis Lehner and Huan Yang},
journal= {arXiv preprint arXiv:2201.06461},
year = {2022}
}