ترجمه فارسی مقاله طبقه‌بندی‌کننده‌ی یادگیری ماشینی برای بقایای پس از ادغام ستاره‌های نوترونی دوتایی

چکیده

Knowing the kind of remnant produced after the merger of a binary neutron star system, e.g., if a black hole forms or not, would not only shed light on the equation of state describing the extremely dense matter inside neutron stars, but also help understand the physical processes involved in the postmerger phase. Moreover, in the event of a gravitational-wave detection, predicting the presence of a neutron star remnant is crucial in order to advise potential electromagnetic follow-up campaigns. In this work, we use Gradient Boosted Decision Trees and publicly available data from numerical-relativity simulations to construct a classifier that predicts the outcome of binary neutron star mergers, based on the binary’s parameters inferred from gravitational-wave inspiral signals: total mass, mass-weighted tidal deformability, mass ratio, and effective inspiral spin. Employing parameters that can be estimated from the inspiral part of the signal only allows us to predict the remnant independently on the detection of a postmerger gravitational-wave signal. We build three different classifiers to distinguish between various potential scenarios, we estimate their accuracy and the confidence of their predictions. Finally, we apply the developed classifiers to real events data, finding that GW170817 most likely lead to the formation of a hypermassive neutron star, while GW190425 to a prompt collapse to a black hole.

چکیده به فارسی (ترجمه ماشینی)

دانستن نوع بقایای تولید شده پس از ادغام یک سیستم ستاره نوترون باینری ، به عنوان مثال ، اگر یک سیاهچاله شکل می گیرد یا نه ، نه تنها معادله وضعیت را توصیف می کند که ماده بسیار متراکم در داخل ستاره های نوترون را توصیف می کند ، بلکه به درک این امر نیز کمک می کندفرآیندهای فیزیکی درگیر در مرحله پس از ام.علاوه بر این ، در صورت تشخیص موج گرانشی ، پیش بینی حضور بقایای ستاره نوترون برای مشاوره در مورد کمپین های پیگیری الکترومغناطیسی بالقوه بسیار مهم است.در این کار ، ما از درختان تصمیم گیری شده شیب و داده های در دسترس عموم از شبیه سازی های عددی-ارتباط برای ساخت طبقه بندی کننده استفاده می کنیم که نتیجه ادغام ستاره های نوترون باینری را پیش بینی می کند ، بر اساس پارامترهای باینری که از سیگنال های الهام بخش موج گرانشی استنباط می شود: جرم کل ، جرم کل ، تودهتغییر شکل پذیری جزر و مدی ، نسبت جرم و چرخش الهام بخش مؤثر.استفاده از پارامترهایی که می توان از قسمت الهام بخش سیگنال تخمین زد ، فقط به ما امکان می دهد تا بقایای مستقل را در تشخیص سیگنال موج گرانشی پسارگر پیش بینی کنیم.ما سه طبقه بندی کننده مختلف برای تمایز بین سناریوهای مختلف بالقوه ایجاد می کنیم ، دقت آنها و اعتماد به نفس پیش بینی های آنها را تخمین می زنیم.سرانجام ، ما طبقه بندی کننده های توسعه یافته را به داده های رویدادهای واقعی اعمال می کنیم ، و می دانیم که GW170817 به احتمال زیاد منجر به تشکیل یک ستاره نوترون بیش از حد می شود ، در حالی که GW190425 برای فروپاشی سریع به یک سیاه چاله است.