[论文解读] Analyzing the speed of sound in neutron star with machine learning

Sagnik Chatterjee, Harsha Sudhakaran+1 more|arXiv (Cornell University)|Feb 27, 2023

Pulsars and Gravitational Waves Research被引用 4

一句话总结

本研究利用神经网络，基于观测的质量-半径数据预测中等密度区间的中子星声速与迹异常，构建满足热力学与因果性约束的无偏方程态。训练后的模型揭示声速行为非单调，且迹异常为正值，表明在中等质量与大质量中子星中，其方程态比未经训练的数据更柔软且物理上一致。

ABSTRACT

Matter properties at the intermediate densities are still unknown to us. In this work, we use a neural network approach to study matter at intermediate densities to analyze the variation of the speed of sound and the measure of trace anomaly considering astrophysical constraints of mass-radius measurement of 18 neutron stars. Our numerical results show that there is a sharp rise in the speed of sound just beyond the saturation energy density. It attains a peak around $3-4$ times the saturation energy density and, after that, decreases. This hints towards the appearance of new degrees of freedom and smooth transition from hadronic matter in massive stars. The trace anomaly is maximum at low density (surface of the stars) and decreases as we reach high density. It approaches zero and can even be slightly negative at the centre of massive stars. It has a negative trough beyond the maximal central densities of neutron stars. The change in sign of the trace anomaly hints towards a near-conformal matter at the centre of neutron stars, which may not necessarily be conformal quark matter.

研究动机与目标

• 在第一性原理计算不可行的中等密度区域建模中子星的方程态（EoS）
• 利用机器学习对EoS施加热力学稳定性和因果性约束
• 探究机器学习能否对中子星内部声速与迹异常产生物理上一致的预测
• 确定基于观测质量-半径数据训练如何影响声速行为与共形异常

提出的方法

• 通过在物理边界内随机化声速（0 ≤ c_s² ≤ 1）并确保热力学稳定性，构建一族无偏方程态
• 利用中子星的质量与半径观测数据（含不确定性）筛选EoS候选者
• 训练前馈神经网络，将质量-半径数据映射至中等密度区间的声速
• 利用训练后的网络外推，生成一组精炼的、物理上一致的EoS
• 计算能量密度函数的迹异常，并分析训练前后其行为变化
• 强制施加Δ ≥ 0（正值共形异常）条件，并评估神经网络是否强制实现物理一致性

实验结果

研究问题

• RQ1 基于中子星质量-半径数据训练的机器学习模型是否在中等密度区域产生非单调声速分布？
• RQ2 神经网络训练如何影响迹异常的行为，特别是Δ ≥ 0条件的满足情况？
• RQ3 与未经训练的无偏EoS相比，训练后的模型预测的方程态是更柔软还是更坚硬？
• RQ4 如声速分布所示，大质量中子星的中心方程态是否比中等质量中子星更柔软？
• RQ5 神经网络能否强制实现迹异常的物理一致性，如单调性与非负性？

主要发现

• 训练后的神经网络预测出非单调声速分布，其峰值出现在3ε₀之后并出现次级最大值，表明中等密度区域存在复杂物质行为。
• 训练后的EoS整体比未经训练的EoS更柔软，声速峰值更低，表明其方程态更受约束且更符合物理现实。
• 未经训练的EoS迹异常表现出非单调行为，并在中等密度范围内出现低于零的情况（Δ < 0），违反物理一致性。
• 训练后，迹异常表现出单调行为且在整个密度范围内保持非负（Δ ≥ 0），满足物理约束。
• 训练后的EoS在高密度区域保持共形极限（Δ → 0），与微扰QCD预测一致。
• 结果与先前研究（如Fujimoto et al., 2022）在定量上一致，验证了模型的可靠性。