摘要：探测双中子星合并是天文学家的首要任务。这些致密恒星残骸之间罕见的碰撞会产生引力波，随后引发光爆发，这为研究宇宙中某些最极端条件下的物质和引力提供了独特的机会。然而，时机至关重要，如果不进行快速分析，关键信号可能会被遗漏。

机器学习方法有可能彻底改变多信使天文学。

探测双中子星合并是天文学家的首要任务。这些致密恒星残骸之间罕见的碰撞会产生引力波，随后引发光爆发，这为研究宇宙中某些最极端条件下的物质和引力提供了独特的机会。然而，时机至关重要，如果不进行快速分析，关键信号可能会被遗漏。

在一项新研究中，一个跨学科研究团队引入了一种新的机器学习方法，可以几乎实时地分析中子星合并产生的引力波，甚至在合并完成之前即可实现。该方法使用神经网络快速解读传入数据，使天文学家能够快速搜索相关的光和其他电磁信号。这一进展可能在下一代引力波观测站的建设中发挥关键作用。

双中子星并合发生在距离地球数亿光年的地方，它们产生的引力波信号难以解码。目前的探测器每次事件只能捕获几分钟的数据，而未来的天文台可能会收集到数小时甚至数天的数据。使用传统方法处理如此大量的数据既耗时又耗算。

为了解决这个问题，一个国际团队开发了一种名为DINGO-BNS（双中子星引力波观测深度推理）的机器学习算法。该神经网络可以在大约一秒钟内表征合并中的中子星系统，而使用现有技术则需要近一个小时。他们的研究成果最近发表在《自然》杂志上。

为什么实时计算很重要？

中子星合并除了引力波外，还会发射可见光（在随后的千新星爆炸中）和其他电磁辐射。

“快速准确地分析引力波数据对于尽快定位源并将望远镜指向正确的方向以观察所有伴随信号至关重要，”该出版物的第一作者马克

西米利安·达克斯 (Maximilian Dax) 说道，他是马克斯普朗克智能系统研究所 (MPI-IS)、苏黎世联邦理工学院和图宾根 ELLIS 研究所经验推理系的博士生。

这种实时方法可以为中子星合并的数据分析设立新的标准，让更广泛的天文学界有更多的时间在 LIGO-Virgo-KAGRA (LVK) 合作的大型探测器识别出合并的中子星后，将他们的望远镜对准它们。

“LVK 目前使用的快速分析算法会做出近似计算，从而牺牲准确性。我们的新研究解决了这些缺陷，”位于波茨坦科技园的马克斯·普朗克引力物理研究所天体物理和宇宙相对论系的组长乔纳森·盖尔 (Jonathan Gair) 说道。

事实上，机器学习框架只需一秒钟就能完整地表征中子星合并事件（例如其质量、自旋和位置），而无需进行任何近似计算。这使其能够快速确定天空位置，精度提高30%。由于神经网络运行速度如此快速准确，它可以为引力波探测器和其他望远镜的联合观测提供关键信息。它可以帮助搜寻合并事件产生的光和其他电磁信号，并最大限度地利用宝贵的望远镜观测时间。

捕捉中子星合并的瞬间

“引力波分析对于双中子星来说尤其具有挑战性，因此对于DINGO-BNS，我们必须开发各种技术创新。例如，这包括一种事件自适应数据压缩方法，”诺丁汉大学UKRI未来领袖研究员Stephen Green说道。马克斯普林斯理工学院（MPI-IS）实证推理系主任兼图宾根ELLIS研究所主任Bernhard Schölkopf补充道：“我们的研究展示了将现代机器学习方法与物理领域知识相结合的有效性。”

DINGO-BNS 未来或许能帮助观测两颗中子星碰撞前后的电磁信

号。“这种早期的多信使观测或许能为理解合并过程以及随后的千新星爆发提供新的见解，而这些过程至今仍是一个谜。”马克斯·普朗克引力物理研究所天体物理和宇宙相对论系主任亚历山德拉·布奥南诺 (Alessandra Buonanno) 说道。

来源：老吴说科学