利用中子星核的参数化状态方程（EOS），采用贝叶斯统计方法，从三组代表各种核多体理论典型预言的假想质量-半径关联数据，即半径保持不变，在1.4 M $_{\odot}$和2.0 M $_{\odot}$之间，随着$\pm 15\%$内NS质量的增加而减少或增加。随着NS质量从1.4 M $_{\odot}$增加到2.0 M $_{\odot}$，相应的平均密度快速、缓慢或略微降低。本文以GW 170817和NICER标准中子源半径数据为参考，研究了未来的大质量中子源半径测量将如何提高我们对超密丰中子核物质的状态方程，特别是其对称能量项的认识，与人们已经从分析GW 170817和NICER数据中了解到的相比。虽然从三个数据集推断的对称核物质（SNM）的状态方程大致相同，但在$2ρ_0$以上的密度下，相应的高密度对称能有很大的不同，这表明大质量NS的半径携带了关于核对称能高密度行为的可靠信息，而SNM状态方程的其余不确定性的影响很小。
英文摘要：
Using an explicitly isospin-dependent parametric Equation of State (EOS) for the core of neutron stars (NSs) within the Bayesian statistical approach, we infer the EOS parameters of super-dense neutron-rich nuclear matter from three sets of imagined mass-radius correlation data representing typical predictions by various nuclear many-body theories, i.e, the radius stays the same, decreases or increases with increasing NS mass within $\pm 15\%$ between 1.4 M$_{\odot}$ and 2.0 M$_{\odot}$. The corresponding average density increases quickly, slowly or slightly decreases as the NS mass increases from 1.4 M$_{\odot}$ to 2.0 M$_{\odot}$. Using the posterior probability distribution functions (PDFs) of EOS parameters inferred from GW170817 and NICER radius data for canonical NSs as references, we investigate how future radius measurements of massive NS will improve our knowledge about the EOS of super-dense neutron-rich nuclear matter, especially its symmetry energy term, compared to what people have already learned from analyzing the GW170817 and NICER data. While the EOS of symmetric nuclear matter (SNM) inferred from the three data sets are approximately the same, the corresponding high-density symmetry energies at densities above about $2ρ_0$ are very different, indicating that the radii of massive NSs carry reliable information about the high-density behavior of nuclear symmetry energy with little influence from the remaining uncertainties of the SNM EOS.
Bayesian Inference of Dense-Matter Equations of State from Small-Radius Compact Stars with Twin-Star Scenarios
School of Physics, Nankai University（南开大学物理学院）；Shenzhen Research Institute of Nankai University（南开大学深圳研究院）；Department of Physics, Faculty of Science, Tianjin University（天津大学理学院物理系）
本文通过贝叶斯方法研究致密物质方程 of state，探讨小半径致密星体是否能被双星情景所容纳，通过约束参数发现相变特征及对潮汐变形性的影响。
Constraining free parameters of a color superconducting non-local Nambu-Jona-Lasinio model using Bayesian analysis of neutron stars mass and radius measurements
Bayesian Inference of High-density Nuclear Symmetry Energy from Radii of Canonical Neutron Stars
质量为1.4 M $_{\odot}$的中子星的半径$R_{1.4}$在最近的许多研究文献中一直被提取。利用具有代表性的$R_{1.4}$数据，我们推导出高密度核对称能$E_{\rm{sym}}(ρ)$和相关的核子比能$E_0(ρ)$在对称核物质（SNM）内的贝叶斯统计方法使用显式的同位旋依赖的参数状态方程（EOS）的核子物质。我们发现：（1）现有的天体物理数据已经可以大大提高我们目前对$ρ_0-2.5ρ_0$密度范围内物态方程的认识。特别地，在68%的置信水平下，在核物质饱和密度$ρ_0$的两倍处的对称能被确定为$E_{\mathrm{sym}}(2ρ_0)$ =39.2 $_{-8.2}^{+12.1}$ MeV。(2)精确测量的$R_{1.4}$单独与4\% 1 $σ$的统计误差，但没有系统误差将不会改善太多的约束条件的状态方程的致密丰中子核子物质相比，我们从使用现有的半径数据提取。(3)$R_{1.4}$半径数据和其他一般条件，如观测到的NS最大质量和因果关系条件，为高阶EOS参数引入了强相关性。因此，推断出的$E_{\rm{sym}}(ρ)$的高密度行为强烈地依赖于如何参数化高密度SNM EOS $E_0(ρ)$，反之亦然。(4)观察到的最大NS质量的值以及它是否被用作最小最大质量的锐截止值或通过高斯分布显著影响$E_0(ρ)$和$E_{\rm{sym}}(ρ)$两者的下…
Bayesian inference of dense matter EOS encapsulating a first-order hadron-quark phase transition from observables of canonical neutron stars
【目的】利用LIGO/VIRGO、NICER和Chandra等机构报道的典型NS半径数据，推导描述强子-夸克一阶相变的致密丰中子物质状态方程的后验概率分布函数（PDF）和9个参数的相关性。我们还推断了1.4 M $_{\odot}$ NS中的夸克物质（QM）质量分数及其半径，并预测了它们在更大质量NS中的值。[方法]在贝叶斯统计框架下，采用马尔可夫链蒙特卡罗抽样方法，利用元模型生成强子和量子态观测系统。一个明确的同位旋相关的参数状态方程的$npeμ$物质在NS在$β$平衡连接通过麦克斯韦建设的QM状态方程所描述的恒定声速（CSS）模型的Alford，汉和Prakash。[结果]（1）在68%置信水平下，强子-夸克跃迁密度$ρ_t/ρ_0$和相对能量密度跃迁$\De\ep/\ep_t$的最可几值分别为$ρ_t/ρ_0=1.6^{+1.2}_{-0.4}$和$\De\ep/\ep_t=0.4^{+0.20}_{-0.15}$。相应的概率分布的QM分数在1.4 M $_{\odot}$ NS峰值约0.9在10公里的球体。与$ρ_t$和$\De\ep/\ep_t$的PDF强相关，QM声速平方$\cQMsq/c^2$的PDF在$0.95^{+0.05}_{-0.35}$处达到峰值，并且小于1/3的总概率非常小。(2)强子的概率密度函数与量子态方程参数之间的相关性很弱。【结论】现有的天体物理数…
Astrophysics equation of state inference with Bayesian chiral effective field theory uncertainties
Technische Universität Darmstadt（达姆施塔特工业大学）；ExtreMe Matter Institute EMMI, GSI Helmholtzzentrum für Schwerionenforschung GmbH（极端物质研究所EMMI，GSI重离子研究中心有限公司）；Max-Planck-Institut für Kernphysik（马克斯·普朗克核物理研究所）
Systematic Effects of Hydrogen and Helium Atmosphere Mismatch on Radius Inference in PSR~J0740+6620-like Synthetic NICER Data
University of Maryland, College Park（马里兰大学帕克分校）；NASA Goddard Space Flight Center（NASA戈达德太空飞行中心）；Joint Space-Science Institute, University of Maryland, College Park（马里兰大学联合空间科学研究所）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
Bayesian Analysis of the Neutron Star Equation of State and Model Comparison: Insights from PSR J0437+4715, PSR J0614+3329, and Other Multi-Physics Data
Universidad Andrés Bello（安德斯·贝略大学）；The Chinese University of Hong Kong, Shenzhen (CUHKShenzhen)（香港中文大学（深圳））
本文通过贝叶斯分析，利用多物理数据约束中子星方程 of 状态参数，发现Skyrme模型在综合数据下表现最佳，确定了对称能量参数和中子星半径、潮汐变形性等关键结果。
Amortized Bayesian Inference for Supernovae in the Era of the Vera Rubin Observatory Using Normalizing Flows
Vera Rubin天文台将于2024年年中开始观测，这将使我们的超新星发现率提高到每年超过100万颗。人们一直在大力推动开发新的方法来识别、分类并最终理解鲁宾天文台发现的数百万颗超新星。在这里，我们提出了第一个基于模拟的推理方法，使用归一化流，训练快速推断多变量，Rubin类数据流中的玩具超新星模型的参数。我们发现，我们的方法是很好的校准相比，传统的推理方法（特别是MCMC），在测试时间只需要万分之一的CPU小时。
