Apresentamos uma estrutura de inferência baseada em simulação para restringir a equação de estado (EoS) de estrelas de nêutrons (NS) a partir de observações astrofísicas de massas, raios e deformabilidades de maré, utilizando a estimativa neural posterior com fluxos de normalização condicional. Para garantir que o modelo esteja em conformidade com a realidade, restrições informadas pela física são incorporadas diretamente à perda de treinamento. Isso permite uma inferência eficiente, sem verossimilhança, das distribuições posteriores completas para quantidades termodinâmicas chave—incluindo pressão, velocidade do som ao quadrado e a anomalia de traço—condicionadas a dados observacionais. Nossos modelos são treinados em conjuntos de dados sintéticos gerados a partir de dois priors EoS agnósticos: parametrizações politrópicas e reconstruções de processos gaussianos. Esses conjuntos de dados abrangem vários cenários, incluindo a presença ou ausência de informações de deformabilidade de maré e ruído observacional. Em todas as configurações, o método produz posteriors precisos e bem calibrados, com incertezas reduzidas quando as restrições de deformabilidade de maré são incluídas. Além disso, encontramos que o comportamento das dispersões preditivas normalizadas está fortemente correlacionado com a densidade central máxima dentro das NSs, sugerindo que o modelo pode inferir indiretamente essa quantidade fisicamente significativa. A abordagem generaliza bem entre famílias de EoS e reconstrói com precisão quantidades derivadas, como o índice politrópico, demonstrando sua robustez e potencial para investigar matéria densa nos núcleos de NS.
Carvalho et al. (Qua,) estudaram esta questão.