مقاله استنتاج مبتنی بر شبیه سازی عصبی معادله حالت ستاره نوترونی مستقیماً از طیف تلسکوپ

چکیده

Neutron stars provide a unique opportunity to study strongly interacting matter under extreme density conditions. The intricacies of matter inside neutron stars and their equation of state are not directly visible, but determine bulk properties, such as mass and radius, which affect the star’s thermal X-ray emissions. However, the telescope spectra of these emissions are also affected by the stellar distance, hydrogen column, and effective surface temperature, which are not always well-constrained. Uncertainties on these nuisance parameters must be accounted for when making a robust estimation of the equation of state. In this study, we develop a novel methodology that, for the first time, can infer the full posterior distribution of both the equation of state and nuisance parameters directly from telescope observations. This method relies on the use of neural likelihood estimation, in which normalizing flows use samples of simulated telescope data to learn the likelihood of the neutron star spectra as a function of these parameters, coupled with Hamiltonian Monte Carlo methods to efficiently sample from the corresponding posterior distribution. Our approach surpasses the accuracy of previous methods, improves the interpretability of the results by providing access to the full posterior distribution, and naturally scales to a growing number of neutron star observations expected in the coming years.

چکیده به فارسی (ترجمه ماشینی)

ستارگان نوترون فرصتی منحصر به فرد برای مطالعه ماده به شدت در تعامل در شرایط چگالی شدید فراهم می کنند.پیچیدگی های ماده در داخل ستاره های نوترون و معادله حالت آنها به طور مستقیم قابل مشاهده نیست ، بلکه خصوصیات فله ای مانند جرم و شعاع را تعیین می کند که بر انتشار اشعه ایکس حرارتی ستاره تأثیر می گذارد.با این حال ، طیف تلسکوپ این انتشار گازهای گلخانه ای نیز تحت تأثیر فاصله ستاره ای ، ستون هیدروژن و دمای سطح موثر است که همیشه به خوبی محدود نیستند.عدم اطمینان در مورد این پارامترهای مزاحمت باید هنگام تخمین قوی از معادله دولت ، حساب شود.در این مطالعه ، ما یک روش جدید ایجاد می کنیم که برای اولین بار می تواند توزیع خلفی کامل معادله پارامترهای حالت و مزاحمت را مستقیماً از مشاهدات تلسکوپ استنباط کند.این روش به استفاده از برآورد احتمال عصبی متکی است ، که در آن جریان های عادی از نمونه هایی از داده های تلسکوپ شبیه سازی شده برای یادگیری احتمال طیف های ستاره نوترون به عنوان تابعی از این پارامترها استفاده می کنند ، همراه با روشهای همیلتون مونت کارلو برای نمونه گیری کارآمد از خلفی مربوطهتوزیعرویکرد ما از صحت روشهای قبلی پیشی می گیرد ، با فراهم کردن دسترسی به توزیع کامل خلفی ، تفسیر نتایج را بهبود می بخشد و به طور طبیعی مقیاس به تعداد فزاینده ای از مشاهدات ستاره نوترون که در سالهای آینده انتظار می رود.