摘要：双中子星合并发生在距离地球数百万光年的地方。解读它们产生的引力波对传统的数据分析方法来说是一项重大挑战。这些信号对应于当前探测器的几分钟数据，以及未来天文台可能产生的几小时到几天的数据。分析如此庞大的数据集需要大量计算且耗时。

双中子星合并发生在距离地球数百万光年的地方。解读它们产生的引力波对传统的数据分析方法来说是一项重大挑战。这些信号对应于当前探测器的几分钟数据，以及未来天文台可能产生的几小时到几天的数据。分析如此庞大的数据集需要大量计算且耗时。

一个国际科学家团队开发了一种机器学习算法，称为 DINGO-BNS（双中子星引力波观测的深度推理），该算法节省了解释双中子星合并发出的引力波的宝贵时间。他们训练了一个神经网络，在大约一秒钟内完全表征中子星合并系统，而最快的传统方法则需要大约一个小时。他们的研究结果将于 2025 年 3 月 5 日在《自然》杂志上发表，题为“使用机器学习实时推理双中子星合并”。

为什么实时计算很重要？

中子星合并除了引力波外，还发出可见光（在随后的千新星爆炸中）和其他电磁辐射，如本视频所示。“快速准确地分析引力波数据对于定位源和尽快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，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，一旦 LIGO-Virgo-KAGRA (LVK) 合作项目的大型探测器识别出正在合并的中子星，更广泛的天文学界就有更多时间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点，”波茨坦科学园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小组负责人乔纳森盖尔 (Jonathan Gair) 说道。

事实上，机器学习框架在短短一秒钟内就完全描述了中子星合并（例如其质量、自旋和位置），而无需进行此类近似。除其他外，这可以快速确定天空位置，精度提高 30%。由于神经网络工作如此快速和准确，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。它可以帮助搜索合并产生的光和其他电磁信号，并充分利用昂贵的望远镜观测时间。

捕捉中子星合并的发生过程

“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。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。MPI-IS 和图宾根 ELLIS 研究所经验推理系主任 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 未来可能有助于观测两颗中子星碰撞前和碰撞时的电磁信号。“这种早期的多信使观测可以为合并过程和随后的千新星提供新的见解，而这些仍然是个谜，”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 Alessandra Buonanno 说。

期刊参考：

来源：人工智能学家