Transformers with Physics-Informed Encodings and Simulation-Based Inference for Robust Detection of Eccentric Binary Black Holes in Pulsar Timing Array Data
Dieses Paper stellt ein neuartiges Framework vor, das physik-informierte Transformer mit simulationsbasierter Inferenz kombiniert, um exzentrische binäre Schwarze Löcher in Pulsar-Timing-Array-Daten effizient und präzise zu detektieren, wobei es eine skalierbare Alternative zu traditionellen Bayes-Methoden bietet, indem es die analytische Gravitationswellenphysik direkt in die Architektur des Modells einbettet.