摘要：一种新的人工智能/机器学习方法根据双中子星产生的引力波特征快速准确地表征双中子星合并。尽管该方法尚未在“实时”发生的新合并中进行测试，但它可以使天文学家更快地估计合并的位置和中子星的质量等特性。反过来，这些信息可以使望远镜瞄准和观察伴随这种合并的电磁信号。

信使：当两颗中子星合并时，它们会发射引力波和电磁辐射。检测和分析这些信号可以提供对基本过程的深刻见解。（图片由MPI-IS / A Posada提供）

一种新的人工智能/机器学习方法根据双中子星产生的引力波特征快速准确地表征双中子星合并。尽管该方法尚未在“实时”发生的新合并中进行测试，但它可以使天文学家更快地估计合并的位置和中子星的质量等特性。反过来，这些信息可以使望远镜瞄准和观察伴随这种合并的电磁信号。

当黑洞和中子星等大质量天体碰撞和合并时，它们会在时空中发出称为引力波 （GW） 的涟漪。2015 年，地球上的科学家开始使用公里级干涉仪来观察这些涟漪，这种干涉仪测量引力波穿过地球时发生的微小时空膨胀和收缩。这些干涉仪位于美国、意大利和日本，以其首字母缩写统称为 LVK 天文台：激光干涉仪 GW 天文台 （LIGO）、Virgo GW 干涉仪 （Virgo） 和神冈 GW 探测器 （KAGRA）。

当双对中的两颗中子星合并时，它们会发射电磁波和 GW。虽然这两种类型的波都以光速传播，但合并对内部和周围发生的某些知之甚少的过程会导致电磁信号略有延迟。这意味着 LVK 天文台可以在其电磁对应物到达前几秒钟甚至几分钟检测到来自双中子星 （BNS） 合并的 GW 信号。因此，能够快速准确地识别 GW 增加了检测到来自同一事件的其他信号的机会。

然而，这并非易事。GW 信号漫长而复杂，目前用于解释它们的主要技术贝叶斯推理速度很慢。虽然存在更快的替代方案，但它们经常进行算法近似，从而对其准确性产生负面影响。

由德国图宾根马克斯普朗克智能系统研究所的 Maximilian Dax 领导的物理学家现在开发了一种机器学习 （ML） 框架，可以在检测到 GW 的一秒钟内准确表征和定位 BNS 合并，而无需求助于此类近似值。为此，他们使用数百万个 GW 模拟训练了一个深度神经网络模型。

训练后，神经网络可以将新的 GW 数据作为输入，并根据其训练数据集预测合并的 BNS 的相应属性，例如，它们的质量、位置和自旋。至关重要的是，该神经网络输出包括一张天空图。Dax 解释说，这张地图可以快速准确地估计 BNS 的位置。

这项新工作建立在该小组之前的研究之上，该研究使用 ML 系统分析来自双黑洞 （BBH） 合并的 GW。“然而，快速推理对于 BNS 合并更为重要，”Dax 说，“以便快速搜索上述电磁对应物，而 BBH 合并不会发出这些对应物。

研究人员在《自然》杂志上报告了他们的工作，希望他们的方法能够帮助天文学家更频繁地观察 BNS 合并的电磁对应物，并更早地检测到它们——即更接近合并发生的时间。能够做到这一点可以揭示有关这些事件期间发生的底层流程的重要信息。“它也可以作为处理我们在下一代 GW 探测器中遇到的 GW 信号持续时间增加的蓝图，”Dax 说。“这可能有助于解决未来 GW 数据分析中的关键挑战。”

到目前为止，该团队一直专注于当前 GW 探测器（LIGO 和 Virgo）的数据，只简要探索了下一代探测器。他们现在计划将他们的方法更深入地应用于这些新的 GW 探测器。

来源：人工智能学家