Decoding the Imprints of Energy-Momentum Squared Gravity in Neutron Stars with Machine Learning Analysis
这项研究表明，监督式机器学习分类器，特别是随机森林，在利用中子星观测值（质量、半径、潮汐形变度和振荡频率）来区分广义相对论与能量-动量平方引力模型时，即使在应用观测约束后，仍能实现超过 99% 的准确率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
引力是维系宇宙的力，塑造了从坠落的苹果到行星轨道的一切事物。一个多世纪以来，阿尔伯特·爱因斯坦的广义相对论一直是描述引力如何运作的金标准。它通过了我们投向它的每一次测试，从星光的弯曲到碰撞黑洞产生的时空涟漪。然而，许多物理学家怀疑，这套理论并非最终定论。在宇宙中最极端的环境中——即物质被压缩到比原子核还要高的密度时——规则可能会发生改变。为了探明这一点，科学家们转向了中子星。这些是死掉恒星坍缩后的核心，其密度之大，以至于一茶匙其物质在地球上的重量就高达数十亿吨。由于它们将如此巨大的质量挤压在如此小的空间内，它们创造了远比我们在实验室中能制造出的任何东西都更强的引力场，这使得它们成为测试引力行为是否与爱因斯坦预测不同的完美天然实验室。
其中一种替代理论被称为能量-动量平方引力（Energy-Momentum Squared Gravity）。在这个框架下，描述引力的方程包含了一个取决于特定区域内能量和压力密度的额外项。虽然这套理论在真空空间中的表现与爱因斯坦的理论完全一致，但它预测在像中子星这样致密的物体内部，引力的作用方式会略有不同。这种额外效应的强度由一个单一的数字——耦合参数来控制。如果这个数字为正，该理论表明恒星内部会受到向外的推力，使其变得更大、更重。如果这个数字为负，恒星会被挤压得更紧，变得更紧凑、更轻。核心问题在于，我们是否真的能利用从地球上观测到的数据来分辨这些不同的情形。
一支研究团队致力于通过模拟数千颗处于不同条件下的中子星来回答这个问题。他们不仅仅观察了一两个模型；他们生成了一个包含约10,000颗不同中子星的海量数据集，每颗星都是根据核物质行为的不同规则构建的。对于每一颗这样的恒星，他们都计算了如果额外的引力项为正、为负或为零（这意味着它与爱因斯坦的理论完全一致）时，这颗星会呈现出怎样的形态。他们专注于四个天文学家可以实际测量或推断的关键属性：恒星的质量、半径、被伴星引力拉伸的难易程度，以及在受到扰动后像钟一样振动的频率。
随后，研究人员对这个海量数据集应用了一个过滤器，仅保留符合我们目前对真实宇宙认知的恒星。例如，他们剔除了任何过小或过轻的恒星，因为我们已经观测到了比这些极限更重、更大的中子星。这使他们获得了一组“观测可行”的恒星——即在我们的宇宙中可能存在的模型。下一步是观察计算机能否通过观察这些幸存恒星的四种属性，来正确猜测它们属于哪种引力版本。为此，他们使用了机器学习，这是一种通过数据学习模式的人工智能技术。他们训练了多种不同的计算机算法作为分类器，教它们识别不同引力理论留下的细微指纹。
结果非常清晰。即使在过滤掉那些不可能存在的恒星之后，剩余的恒星仍然携带了构建它们的引力理论的独特特征。机器学习模型能够以惊人的准确度区分正值、负值和零值情况。一种被称为“随机森林”（Random Forest）的特定算法，几乎正确识别了测试集中每一颗恒星的引力类型，其准确率达到了约99.85%。其他方法也表现得非常好，准确率超过了99%。计算机本质上是在观察一颗恒星的大小、重量、伸展性和振动，并仅凭这些数值，就能以近乎完美的确定性判断它是受爱因斯坦引力支配，还是受修改后的版本支配。
这一发现表明，修改引力的印记并未被恒星形成的自然变化所掩盖。即使我们将视野限制在仅符合当前观测结果的恒星上，它们结构的差异依然足够清晰，可以被检测到。这项研究意味着，随着我们的望远镜和引力波探测器变得更加精密，我们很快就可以使用这些相同的机器学习工具来分析来自中子星的真实数据。通过这样做，我们有可能证实或排除这些替代引力理论，让我们离理解宇宙中最极端的角落如何运作更近一步。这项工作并不是要证明爱因斯坦的理论是错误的，而是证明了如果另一种理论是正确的，我们的仪器和计算机已经具备了寻找证据的能力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。