Real-time gravitational-wave inference for binary neutron stars using machine learning

合并的双中子星（BNSs）在引力波（GW）和电磁（EM）频谱中都会发出信号。众所周知，2017年GW170817的多信使观测在宇宙学、核物理和引力学等领域带来了科学发现。这些结果的核心是从GW数据中获取的天空定位和距离，这在GW170817的情况下帮助确定了相关的EM瞬变，即GW信号后11小时的AT 2017gfo。快速分析GW数据对于指导时间敏感的EM观测至关重要；然而，由于信号长度和复杂性带来的挑战，通常需要做出牺牲准确性的近似。在这里，我们开发了一种机器学习方法，可以在一秒钟内执行完整的BNS推断，而不需要做出任何这样的近似。这得益于将物理领域知识显式集成到神经网络中的新方法。我们的方法通过提供（i）即使在合并之前也能提供准确的定位；（ii）与近似低延迟方法相比，提高了约30％的定位精度；以及（iii）有关亮度距离、倾角和质量的详细信息，这些信息可以用于优先考虑昂贵的望远镜时间，从而增强了多信使观测的能力。此外，我们的方法的灵活性和降低成本开辟了方程状态和波形系统误差研究的新机会。最后，我们证明了我们的方法可扩展到极长的信号，长达一小时，因此成为下一代地面和空间探测器的数据分析的蓝图。

本论文旨在通过机器学习方法，快速且准确地分析引力波和电磁波信号，以提高多信使观测的效率和精度。

论文提出了一种将物理领域知识融入神经网络的方法，实现对双中子星合并事件的完整推断，同时避免了近似方法的误差。

论文的方法能够提供更准确的天体定位、距离、倾角和质量等信息，帮助科学家更好地安排昂贵的望远镜观测时间。同时，方法的灵活性和成本效益也为方程状态和波形系统学研究提供了新机遇。论文使用了新的数据集和开源代码，并展示了方法在极长信号上的可扩展性。

在此领域中，最近的相关研究包括：1. “A Deep Learning Approach to Multi-Messenger Astrophysics”（2019）；2. “A Machine Learning Pipeline to Infer the Properties of Binary Black Hole Mergers from Gravitational-Wave Observations”（2020）；3. “Fast and Accurate Inference of Binary Neutron Star Parameters from Gravitational-wave Observations with Surrogate Models”（2021）。