Exploring the constraints on the equation of state from neutron star macroscopic properties using neural network algorithms

鉴于目前对致密核物质状态方程(EOS)的认识还存在较大不确定性, 并且中子星致密物质难以在地面实验室再现, 而得益于天文观测的发展, 中子星的宏观性质为逆向约束高密核物质EOS提供了重要依据. 目前, 已有多种方法, 如贝叶斯分析算法、Lindblom算法和多项式回归等, 致力于这一逆向映射的研究. 近年来, 神经网络算法在求解复杂逆问题方面展现出了显著能力, 逐渐被应用于中子星研究中. 基于此, 我们采用同位旋依赖的参数化EOS, 构建了从少数几组可观测量到EOS的神经网络. 结果表明, 即使神经网络算法是使用有限参数化EOS作为训练集获得的, 它对参数化EOS的任意合理参数组合都是有效的. 此外, 训练后的神经网络预测的EOS经过进一步计算, 可以与其他研究结果相互验证.