[论文解读] Bayesian nonparametric inference of neutron star equation of state via neural network

Ming-Zhe Han, Jin-Liang Jiang+2 more|arXiv (Cornell University)|Mar 9, 2021

Pulsars and Gravitational Waves Research参考文献 98被引用 44

一句话总结

该论文提出了一种基于前馈神经网络（FFNN）的贝叶斯非参数方法，用于重构中子星状态方程（EoS），该网络仅含一个隐藏层并采用Sigmoid激活函数，实现了灵活且模型无关的EoS拟合。该方法成功从模拟数据中恢复出理论EoS及其参数；当应用于真实多信使数据（GW170817与NICER PSR J0030+0451）时，得到R₁.₄ = 11.83⁺¹.²⁵₋₁.⁰⁸ km与Λ₁.₄ = 323⁺³³⁴₋₁₆₅（90%可信区间），并揭示在大质量中子星的高密度区域，规范极限（c²ₛ/c² < 1/3）被违反。

ABSTRACT

We develop a new nonparametric method to reconstruct the Equation of State (EoS) of Neutron Star with multimessenger data. As an universal function approximator, the Feed-Forward Neural Network (FFNN) with one hidden layer and a sigmoidal activation function can approximately fit any continuous function. Thus we are able to implement the nonparametric FFNN representation of the EoSs. This new representation is validated by its capabilities of fitting the theoretical EoSs and recovering the injected parameters. Then we adopt this nonparametric method to analyze the real data, including mass-tidal deformability measurement from the Binary Neutron Star (BNS) merger Gravitational Wave (GW) event GW170817 and mass-radius measurement of PSR J0030+0451 by {\it NICER}. We take the publicly available samples to construct the likelihood and use the nested sampling to obtain the posteriors of the parameters of FFNN according to the Bayesian theorem, which in turn can be translated to the posteriors of EoS parameters. Combining all these data, for a canonical 1.4 $M_\odot$ neutron star, we get the radius $R_{1.4}=11.83^{+1.25}_{-1.08}$ km and the tidal deformability $\Lambda_{1.4} = 323^{+334}_{-165}$ (90\% confidence interval).Furthermore, we find that in the high density region ($\geq 3 ho_{ m sat}$), the 90\% lower limits of the $c_{ m s}^2/c^2$ ($c_{ m s}$ is the sound speed and $c$ is the velocity of light in the vacuum) are above $1/3$, which means that the so-called conformal limit (i.e., $c_{ m s}^2/c^2<1/3$) is not always valid in the neutron stars.

研究动机与目标

• 开发一种非参数化、与模型无关的方法，用于重构中子星状态方程（EoS），而无需假设特定的参数形式。
• 克服参数化模型的局限性，如模型依赖性和在中等密度过渡区域的推断范围受限问题。
• 在避免训练集相关先验偏差的前提下，利用多信使数据（引力波与X射线定时）实现稳健的贝叶斯EoS推断。
• 测试在数据驱动的EoS表示下，规范极限（c²ₛ/c² < 1/3）在中子星核心是否成立。

提出的方法

• 使用单隐藏层前馈神经网络（FFNN）与Sigmoid激活函数作为通用函数逼近器，将EoS表示为P(ρ) = f(ρ; θ)，其中θ为网络参数。
• 通过嵌套采样进行贝叶斯推断，利用来自多信使数据（GW170817的潮汐去偏与NICER PSR J0030+0451的质量-半径测量）的似然函数计算FFNN参数θ的后验分布。
• 通过在离散密度点采样网络输出，对EoS进行有限维近似，将无限维的非参数问题转化为有限维参数推断任务。
• 通过注入并恢复理论EoS（WFF1、H4、MS1、ALF2）验证该方法，证明其能高保真地重构宏观与微观EoS特性。
• 将FFNN参数的后验分布转化为EoS可观测量（如半径、潮汐去偏、声速平方）的后验分布。
• 使用PolyChord嵌套采样算法高效探索参数空间，在模型复杂度与计算成本之间取得平衡。

实验结果

研究问题

• RQ1 单隐藏层的前馈神经网络能否作为中子星状态方程的灵活非参数表示，而无需假设特定函数形式？
• RQ2 该基于FFNN的贝叶斯非参数方法在模拟多信使数据中，能否高精度恢复已知的理论EoS及注入参数？
• RQ3 当结合GW170817与NICER PSR J0030+0451数据时，该方法对典型1.4 M⊙中子星的半径与潮汐去偏有何约束？
• RQ4 根据推断出的EoS，中子星核心中的声速是否在高密度区域违反规范极限（c²ₛ/c² < 1/3）？
• RQ5 与传统参数化或基于高斯过程的EoS推断方法相比，该方法在计算效率与模型鲁棒性方面表现如何？

主要发现

• 基于FFNN的非参数方法实现了对理论EoS的高保真重构，压力与声速的拟合误差在10⁻⁴至10⁻¹量级。
• 对于典型1.4 M⊙中子星，该方法推断出半径R₁.₄ = 11.83⁺¹.²⁵₋₁.⁰⁸ km与潮汐去偏Λ₁.₄ = 323⁺³³⁴₋₁₆₅（90%可信区间），与以往多信使分析结果一致。
• 在高密度区域（≥3ρsat）的90%可信下限中，c²ₛ/c²超过1/3，表明规范极限在大质量中子星核心被违反。
• 该方法成功恢复了模拟数据中的注入参数，证明其在重构宏观（质量、半径、潮汐去偏）与微观（声速）EoS特性方面的鲁棒性与可靠性。
• 该方法避免了高斯过程方法中依赖于训练集的先验偏差，提供了一种更具灵活性与透明度的推断框架。
• 结果表明，中子星核心中的声速可能超过规范极限，挑战了基于微扰QCD的某些理论模型的假设。