[论文解读] Inferring the neutron star equation of state simultaneously with the population of merging neutron stars

D. M. Wysocki, R. O’Shaughnessy+2 more|arXiv (Cornell University)|Jan 6, 2020

Pulsars and Gravitational Waves Research参考文献 1被引用 20

一句话总结

本文提出了一种分层贝叶斯推断框架，可同时约束中子星方程态（EOS）、并合中子星的种群分布（包括质量、自旋和并合率），并考虑内在多样性（如双峰质量分布）。通过使用主成分分析（PCA）将EOS重新参数化为物理上有效且采样效率高的参数空间，该方法使采样效率提升了超过3个数量级，即使在事件数较少（N ≲ 10）的情况下也能实现稳健的EOS推断，并表明种群推断中的偏差会显著扭曲EOS的恢复结果。

ABSTRACT

Observations of the properties of multiple coalescing neutron stars will simultaneously provide insight into neutron star mass and spin distribution, the neutron star merger rate, and the nuclear equation of state. Not all merging binaries containing neutron stars are expected to be identical. Plausible sources of diversity in these coalescing binaries can arise from a broad or multi-peaked NS mass distribution; the effect of different and extreme NS natal spins; the possibility of NS-BH mergers; or even the possibility of phase transitions, allowing for NS with similar mass but strongly divergent radius. In this work, we provide a concrete algorithm to combine all information obtained from GW measurements into a joint constraint on the NS merger rate, the distribution of NS properties, and the nuclear equation of state. Using a concrete example, we show how biased mass distribution inferences can significantly impact the recovered equation of state, even in the small-$N$ limit. With the same concrete example, we show how small-$N$ observations could identify a bimodal mass and spin distribution for merging NS simultaneously with the EOS. Our concordance approach can be immediately generalized to incorporate other observational constraints.

研究动机与目标

• 开发一个统一的推断框架，同时约束中子星方程态（EOS）、并合中子星的种群分布（包括质量、自旋和并合率）以及内在多样性（如双峰分布）。
• 解决谱表示中EOS参数高度相关且分布不均匀的问题，该问题导致标准蒙特卡洛方法的采样效率极低。
• 通过在物理有效的EOS样本上应用主成分分析（PCA），对参数空间进行变换，从而提高EOS推断的采样效率，减少非物理参数空间的体积。
• 证明种群层面的偏差（如对质量或自旋分布的错误假设）即使在观测事件数较少时，也会显著扭曲推断出的EOS。
• 提供一个通用、可扩展的代码库，将种群建模与EOS推断相结合，适用于未来双中子星并合的引力波观测。

提出的方法

• 该方法采用分层贝叶斯方法，联合推断中子星方程态（EOS）、并合中子星的种群分布（质量、自旋、并合率）以及内在多样性。
• 采用Lindblom的谱EOS参数化方法，使用基函数（γ₀至γ₃）表示EOS，但对参数空间进行变换以提高采样效率。
• 通过蒙特卡洛采样程序在原始超立方体内识别出有效且物理上合理的EOS样本，随后对这些物理样本应用PCA，以找到能捕捉大部分方差的更少维度的新旋转坐标系（r′）。
• 该方法在变换后的r′空间中构建一个最小超立方体𝒞′，以包围物理EOS子集，使采样效率从约0.005%提升至约19%（提升约3.2个数量级），并保留10%的缓冲区以降低遗漏物理解的风险。
• 该变换包括对物理样本进行标准化（减去均值μᵣ，除以标准差σᵣ），随后应用PCA以计算将标准化坐标映射到主成分基的旋转矩阵S。
• 最终在优化后的超立方体𝒞′内进行均匀采样，该空间显著更小且与物理EOS子空间对齐更好，从而实现高效且准确的联合推断。

实验结果

研究问题

• RQ1 即使在观测事件数较少的情况下，联合推断中子星方程态与并合中子星种群分布，是否能改善对核物理的约束？
• RQ2 对种群分布的假设偏差（如将质量分布误认为单峰而非双峰）如何影响推断出的方程态的准确性？
• RQ3 为最大化采样效率并确保物理有效性，中子星方程态的最优参数化方式是什么？
• RQ4 分层推断框架能否在同时约束EOS的同时，检测中子星种群中的内在多样性（如双峰质量或自旋分布）？
• RQ5 如何重构谱EOS表示的参数空间，以降低马尔可夫链蒙特卡洛采样计算成本？

主要发现

• 在主成分变换空间中，对优化超立方体𝒞′保留10%缓冲区时，该方法使物理中子星方程态的采样效率提高了约19%（即提升了3.2个数量级）。
• 物理EOS子空间仅占据原始4维谱参数超立方体的约0.005%，因此在原始空间中进行均匀采样效率极低。
• 对中子星种群的偏差假设（如在真实分布为双峰时错误地假设为单峰质量分布）即使在小样本量N下，也会导致推断EOS时出现显著的系统性误差。
• 该框架仅使用少量模拟事件，即可成功同时识别出并合中子星种群中的双峰质量与自旋分布，并实现EOS约束。
• 基于PCA的重参数化方法有效捕捉了物理EOS子空间的主要方差，降低了推断问题的维度，同时保持了物理一致性。
• 该方法具有通用性，可扩展至其他天体物理推断问题，如零自旋黑洞双星的子种群分析等参数化降维场景。