Neutron Star Equation of State via Physics Informed Neural Network

技術要約：物理情報ニューラルネットワークによる中性子星の状態方程式

問題提起
中性子星の内部組成および極高密度下における物質の状態方程式（EOS）は、依然として未解決の課題である。近年のマルチメッセンジャー天文学は、観測的な制約（NICERによるX線タイミング、重力波による潮汐変形能、パルサー質量など）を提供しているが、EOSを推論するための従来の手法には構造的な限界がある。既存のアプローチは通常、ベイズ推論とMCMCサンプリングに依存しており、そこではEOSの事前分布（パラメトリックまたはガウス過程のような非パラメトリックなもの）が、TOV方程式を推論ループの「外部」で解くことから導かれる尤度と組み合わされる。この分離は、物理的制約を事後的に評価される確率的な事前分布として扱うものであり、連続的な制約として扱うものではない。そのため、収束のために数百万の事後サンプルを必要とすることが多く、最適化中に微分法則を直接強制することもできない。

手法：PINN-TOV フレームワーク
本研究は、中性子星のEOS逆問題への物理情報ニューラルネットワーク（PINN）の初適用を紹介するものである。このフレームワークは、TOV方程式を外部で解くのではなく、微分可能な制約として直接埋め込んだ、勾配降下法によって共同訓練されるデュアルネットワーク・アーキテクチャを採用している。

1. デュアルネットワーク・アーキテクチャ:

   • EOSネットワーク ($N_{EOS}$): 正規化された対数密度から対数圧力 ($P(\varepsilon)$) への写像を行う非パラメトリック・ネットワークである。4層の隠れ層（各層64ニューロン、$tanh$活性化関数）を使用している。$tanh$の選択は極めて重要であり、これにより無限の微分可能性が保証され、自動微分による熱力学的安定性 ($dP/d\varepsilon > 0$) および音速 ($c_s^2 = dP/d\varepsilon$) の解析的な評価が可能となる。
   • 構造ネットワーク ($N_{TOV}$): 半径座標、中心密度、およびEOS特徴ベクトル ($F_{EOS}$) を、恒星プロファイル（質量 $m(r)$、圧力 $P(r)$、エネルギー密度 $\varepsilon(r)$）へと写像する。6層の隠れ層（各層128ニューロン）を使用する。$F_{EOS}$（特定の密度における圧力値）によって条件付けられることで、推論中に $N_{EOS}$ を呼び出すことなくEOS情報をエンコードし、訓練戦略を容易にしている。

2. 損失関数:
   全損失 $\mathcal{L}$ は、以下の4つの項を組み合わせたものである：

   • $\mathcal{L}_{data}$: 3つのパルサー（J0030, J0437, J0740）のNICER半径測定値に適合させ、電波タイミングによる質量（J0348, J0952, J1614）をガウス罰則として課す。
   • $\mathcal{L}_{TOV}$: 自動微分を用いて64個のコロケーション・ポイントにおけるTOV微分方程式を平均二乗残差として強制する。これにより、すべての勾配ステップにおいて物理法則が強制される。
   • $\mathcal{L}_{BC}$: 境界条件 ($m(0)=0, P(R_\star)=0$) を強制する。
   • $\mathcal{L}_{phys}$: 核飽和特性 ($K_0, L$)、因果律、熱力学的安定性、共形限界、および摂動的QCD（pQCD）の境界をエンコードする。特筆すべき点として、$\chi$EFTの予測（$1\text{--}2\rho_0$）は損失には含まれておらず、独立した一貫性チェックとして機能する。

3. 4フェーズの訓練スキーム:
   単純な同時最適化における不安定性を回避するため、著者らはEM法（期待値最大化法）に似た交互最適化スキームを採用している：

   • フェーズ1: ランダムな区分的多項式（piecewise-polytrope）EOSを用いて $N_{TOV}$ を事前学習し、恒星構造を学習させる。
   • フェーズ2: 全損失を用いて $N_{EOS}$ を訓練し、同時に $N_{TOV}$ を微調整することで、最初の非パラメトリックなEOS推定値を得る。
   • フェーズ3: $N_{EOS}$ を凍結し、最大質量 ($M_{max}$) に対する外部積分との分数誤差が $3 \times 10^{-3}$ を下回るまで $N_{TOV}$ を特化させる。
   • フェーズ4: 精緻化された構造ネットワークを用いて $N_{EOS}$ を再訓練し、最終的な結果を生成する。

主な結果
本フレームワークは、異なるランダムシードを用いた $N=15$ の独立した訓練実行を通じてテストされた。結果は高い再現性と既存データとの一貫性を示している：

• EOSの再構成: 推定された $P(\varepsilon)$ は、核飽和、因果律、およびpQCDの境界を同時に満たしている。決定的なことに、モデルは明示的な強制なしに $1\text{--}2\rho_0$ における $\chi$EFTの一貫性を自然に満たしており、これは核飽和の制約が高密度へと正しく伝播していることを検証している。
• マクロな性質:
  • 最大質量: $M_{max} = 2.06^{+0.07}_{-0.09} M_\odot$ (68% 信頼区間)。
  • $1.4 M_\odot$ の星の半径: $R_{1.4} = 12.85^{+0.03}_{-0.06}$ km。
  • 潮汐変形能: $\Lambda_{1.4} = 684$。
    これらの値は最近のベイズ解析と一致しており、GW170817の潮汐境界 ($70 \lesssim \Lambda_{1.4} < 800$) も満たしている。
• 音速: 推定された音速は、$2\text{--}4\rho_0$ の密度範囲において再現可能な軟化（プラトーとわずかな低下）を示す。この特徴は、クォーク・ハドロン・クロスオーバーと一致している。
• データのテンション: モデルは、パルサー J0952 の質量（$M_{max}$ より $1.8\sigma$ 高い）および J0437（95% 区間内だが 68% 信頼領域外）に対して、軽微なテンションを示している。これは、同一のデータセットを用いた他のベイズ解析で見られるテンションを反映している。

意義と主張
著者らは、本研究がEOS推論手法における根本的な転換を提示していると主張している：

1. 連続的な物理的強制: 外部でTOV方程式を解く従来の非パラメトリック手法とは異なり、本アプローチは微分方程式を損失項として埋め込むことで、最適化の全ステップにおいて物理法則を連続的に強制する。
2. 勾配ベースの最適化: MCMCサンプリングを勾配降下法に置き換えることで、$O(10^6)$ の事後サンプルを必要とすることを回避し、物理的知識を全密度グリッドにわたって機能する微分可能な罰則として扱う。
3. 創発的な自己一貫性: $\chi$EFTの一貫性が明示的な訓練なしに自然に現れることは、核飽和の制約（$K_0, L$）が高密度へと正しく伝播していることを示す、非自明な検証である。
4. 物理的洞察: すべてのシードにおいて音速の軟化（$2\text{--}4\rho_0$）が再現されることは、それが訓練のアーティファクトではなく、堅牢な物理的特徴（潜在的にはクォーク・ハドロン・クロスオーバー）であることを示唆しており、高密度物質の性質に関する新たな制約を提供する。

結論として、このPINNベースのフレームワークは、パラメトリックなベイズ解析と一致する物理的結論を正常に回収することに成功しており、恒星構造の逆問題を解くための、より直接的で微分可能かつ計算効率の高い経路を提供している。