《Nature》实时推断双中子星并合：机器学习开启多信使天文学新时代

为解决双中子星（BNS）引力波（GW）数据分析难题，研究人员开发 DINGO-BNS 框架，1 秒内完成精确推断，相关研究成果发表在《Nature》杂志上。

　　

双中子星并合现象一直以来都是天文学领域的热门研究对象。当双中子星并合时，它们会在引力波和电磁波谱中发出信号。2017 年对 GW170817 的多信使观测，在宇宙学、核物理学和引力研究等多个领域带来了重大科学发现。在这些成果中，从引力波数据获得的天空定位和距离信息至关重要，比如它帮助在 GW 信号出现 11 小时后，识别出了相关的电磁暂现源 AT 2017gfo。

然而，快速分析引力波数据面临着诸多挑战。由于信号的长度和复杂性，传统的贝叶斯推断技术速度太慢，无法应用于低延迟的场景。为了快速提供初始警报，一些近似算法被采用，例如 BAYESTAR，它使用信噪比（SNR）时间序列而非完整应变数据，虽然能在数秒内给出定位，但牺牲了准确性。其他方法在不损失精度的前提下加速似然评估，即便如此，目前最先进的方法也只能在 6 分钟内实现定位，2 小时内完成完整推断。

为了解决这些问题，来自多个机构的研究人员展开了深入研究，其中包括马克斯?普朗克智能系统研究所、苏黎世联邦理工学院等。他们开发了一种名为 DINGO-BNS 的机器学习框架，相关研究成果发表在《Nature》杂志上。

研究人员采用了多种关键技术方法。首先是基于模拟的推理（SBI），通过训练神经网络来编码天体物理源参数的概率估计。其次，利用微扰 BNS 物理信息对数据进行简化和压缩，同时引入先验条件设定算法，根据事件特定的先验来限制数据压缩范围，简化密度估计任务。此外，还运用了频率多波段技术，在不损失信息的前提下降低数据维度，以及频率掩蔽技术，根据啁啾质量和合并前时间选择合适的频率范围，确保分析的一致性。

在研究结果方面：

• 快速精确推断：DINGO-BNS 框架能在 1 秒内准确推断出所有 17 个 BNS 参数，比现有低延迟算法更快更完整，且具有离线参数估计代码的准确性。与 BAYESTAR 相比，DINGO-BNS 使 90% 可信天空区域的大小中位数减少了 30%。

• 合并前推断：该框架可在合并前几分钟基于部分旋进信息推断所有参数，并能随着更多数据的获取不断更新估计值，为天文学家提供近实时或合并前警报，有助于发现前身和即时电磁对应体。

• 长信号分析能力：DINGO-BNS 对长达一小时的信号也能进行有效分析，展现了其对长信号的良好扩展性，为下一代地面和空间探测器的数据分析提供了蓝图。

• 状态方程研究：在核状态方程（EOS）研究方面，DINGO-BNS 提供了多种快速评估积分的方法，能有效进行 EOS 推断，为相关研究开辟了新途径。

在研究结论与讨论部分，DINGO-BNS 框架的出现，极大地提升了双中子星并合的研究水平。它不仅提高了多信使观测的效率和精度，为光学望远镜的观测提供更准确的指向和优先级排序，还为研究双中子星的物理性质、状态方程等提供了有力工具。同时，先验条件设定技术不仅在 BNS 推断中表现出色，还有望应用于解决 GW 天文学中的其他问题，如在下一代探测器中分离重叠背景信号等。未来，研究人员还计划将先验条件设定方法应用于黑洞 - 中子星系统和低质量双黑洞的研究，并且改进对探测器噪声的处理，以进一步提高分析的准确性和可靠性。这些研究成果为天文学领域的发展带来了新的机遇和方向，有望推动多信使天文学进入一个新的时代。