[论文解读] Rapid neutron star equation of state inference with Normalising Flows

J Mcginn, Arunava Mukherjee+4 more|arXiv (Cornell University)|Mar 26, 2024

Geophysics and Gravity MeasurementsEarth and Planetary Sciences被引用 3

一句话总结

本文提出ASTREOS，一种基于归一化流的快速非参数化方法，用于从引力波数据中推断中子星状态方程（EOS）。通过在质量与潮汐可变形性条件下的EOS样本上训练流模型，该方法实现了近实时的EOS后验抽样——耗时不足1秒，且与LIGO-Virgo结果高度一致，使未来多信使天文学中的实时EOS约束成为可能。

ABSTRACT

The first direct detection of gravitational waves from binary neutron stars on the 17th of August, 2017, (GW170817) heralded the arrival of a new messenger for probing neutron star astrophysics and provided the first constraints on neutron star equation of state from gravitational wave observations. Significant computational effort was expended to obtain these first results and therefore, as observations of binary neutron star coalescence become more routine in the coming observing runs, there is a need to improve the analysis speed and flexibility. Here, we present a rapid approach for inferring the neutron star equation of state based on Normalising Flows. As a demonstration, using the same input data, our approach, ASTREOS, produces results consistent with those presented by the LIGO-Virgo collaboration but requires < 1 sec to generate neutron star equation of state confidence intervals. Furthermore, ASTREOS allows for non-parametric equation of state inference. This rapid analysis will not only facilitate neutron star equation of state studies but can potentially enhance future alerts for electromagnetic follow-up observations of binary neutron star mergers.

研究动机与目标

• 解决从引力波数据中推断中子星状态方程（EOS）时的计算瓶颈，特别是针对未来高率双中子星并合事件的探测。
• 克服传统贝叶斯采样方法的局限性，如MCMC收敛缓慢以及对参数化形式（如分段多态或谱形式）的敏感性。
• 通过直接从训练数据学习EOS曲线的后验分布，实现非参数化EOS推断，无需假设固定函数形式。
• 开发一种快速、可扩展且可重用的推断流程，兼容低延迟引力波分析，以支持多信使后续观测。
• 确保与未来多事件EOS推断的兼容性，通过高效组合多个探测事件的后验分布实现。

提出的方法

• 训练归一化流（NF）模型，以学习在给定观测到的引力波数据（特别是分量质量与潮汐可变形性）条件下，中子星状态方程（EOS）参数的条件后验分布。
• 使用压力-密度关系的主成分分析（PCA）系数表示EOS，实现对复杂EOS曲线的高效、低维参数化。
• 采用深度神经网络架构，建模从简单基分布（如高斯分布）到复杂EOS后验分布之间的可逆、可微变换。
• 利用训练好的NF模型每秒生成数千个EOS样本，实现无需重复MCMC采样的快速统计推断。
• 使用GW170817事件的合成数据验证该方法，通过与LIGO-Virgo既定结果对比后验分位数和p-p图，确认其准确性。
• 通过NF的可 tractable Jacobi an实现多事件推断，支持多个探测事件间后验分布的高效边缘化与不确定性传播。

Figure 1: The pressure $p$ as a function of energy-density $\rho$ for the GW170817 event. We show posteriors on energy density as a function of pressure obtained from ASTREOS (blue bands) together with posteriors taken from GW170817 LIGO-Virgo spectral parameterisation analysis [ 9 ] (black lines) a

实验结果

研究问题

• RQ1 归一化流能否实现对中子星状态方程从引力波数据中准确而快速的推断，其精度是否可与传统贝叶斯方法相当？
• RQ2 在GW170817事件中，与既定的MCMC方法相比，基于归一化流的方法在速度和准确性方面表现如何？
• RQ3 该方法在不假设方程状态特定函数形式的前提下，能在多大程度上支持非参数化EOS推断？
• RQ4 训练好的模型是否可跨多个引力波事件复用，仅需极少微调，从而实现可扩展且低延迟的分析？
• RQ5 该方法如何扩展以结合多个双中子星或中子星-黑洞并合事件的结果，通过累积信噪比提升实现更优的EOS约束？

主要发现

• ASTREOS在每个事件上生成中子星状态方程置信区间的时间少于1秒，相比传统MCMC方法实现了1000倍的速度提升。
• 该方法以高保真度重现了LIGO-Virgo对GW170817事件的质量与潮汐可变形性参数后验分布，p-p图显示p值为0.7301，验证了其准确性。
• 该模型通过学习压力-密度关系的PCA系数分布，实现了非参数化EOS推断，无需假设特定参数形式。
• 训练好的归一化流每秒可生成约25,000个EOS样本，适用于实时分析流程。
• 该方法通过利用流的可 tractable Jacobi an，支持多事件推断，实现后验分布的直接评估与高效不确定性传播。
• 该方法可通过在单个质量-潮汐可变形性对上条件化，扩展至中子星-黑洞系统，保持灵活性与速度。

Figure 2: A p-p plot on the 10 inferred EOS and auxilliary parameters output from the ASTREOS analysis using 100 instances of conditional data $y$ drawn from the validation set. The bracketed quantities in the plot legend refer to the p-values of each parameter curve under the null hypothesis that e