[论文解读] Mapping neutron star data to the equation of state of the densest matter using the deep neural network

Yuki Fujimoto, Kenji Fukushima+1 more|arXiv (Cornell University)|Mar 8, 2019

Pulsars and Gravitational Waves Research被引用 4

一句话总结

本研究采用带有监督学习的深度神经网络，将14颗脉冲星的观测数据映射到脉冲星核心致密物质的物态方程（EoS）。该模型成功推导出与传统核物态方程及潮汐可变形性约束一致的压力-密度关系，展示了数据驱动方法在探测最致密物质形态方面的可行性。

ABSTRACT

We utilize the deep neural network with supervised learning to estimate an equation of state of the densest matter in nature realized in the neutron star cores. We input observational data from 14 neutron stars into the trained neural network and find a relation between the pressure and the mass density. Our result turns out to be consistent with extrapolation from the conventional nuclear equation of state and the experimental bound on the tidal deformability parameter.

研究动机与目标

• 开发一种从观测数据中推断脉冲星核心致密物质物态方程的数据驱动方法。
• 解决从稀疏且复杂的脉冲星观测中提取物态方程的挑战。
• 将神经网络的预测结果与已建立的核物理约束及观测边界进行验证。

提出的方法

• 使用14颗脉冲星的观测数据，通过监督学习训练深度神经网络。
• 输入特征包括质量与半径测量值，用于推断压力与质量密度的关系。
• 网络学习从脉冲星可观测量到核心区域物态方程的映射关系。
• 将模型预测结果与理论核物态方程及潮汐可变形性约束进行验证。
• 训练过程确保模型在标准模型外推范围之外的致密物质区域仍具泛化能力。

实验结果

研究问题

• RQ1 深度神经网络能否准确地从脉冲星观测中推断出致密物质的物态方程？
• RQ2 推断出的物态方程与传统核物理模型相比如何？
• RQ3 神经网络的预测在多大程度上与潮汐可变形性的观测边界一致？

主要发现

• 深度神经网络成功地将脉冲星数据映射到脉冲星核心区域的压力-密度关系。
• 推断出的物态方程与传统核物态方程的外推结果一致。
• 该模型的预测满足潮汐可变形性参数的实验边界约束。
• 该方法展示了在不完全依赖理论先验的情况下，从观测数据推导物态方程的可行性。