Die Physikerin Shriya Soma verteidigte am 16. April erfolgreich ihre Doktorarbeit. Während ihrer Promotion bei den FIAS-Fellows Horst Stöcker und Kai Zhou arbeitete sie daran, die Zustandsgleichung von Neutronensternen mit Hilfe von Deep-Learning-Techniken einzugrenzen.

Die Zustandsgleichung (Equation of State, EoS) ist die Beziehung zwischen Druck und Energiedichte bei variablen Temperaturen und Entropien. Sie stellt - einfacher ausgedrückt - mathematisch die Reaktion von Materie auf Veränderungen in ihrer Umgebung dar. Bei extrem hohen Dichten (und Temperaturen) ist die EoS nach wie vor unbekannt, und ihre Bestimmung ist eine ständige Herausforderung für Physiker. Mit zentralen Dichten bis zu 10¹⁵ g/cm³ dienen Neutronensterne als kosmische Laboratorien für die Untersuchung dichter Materie. Somas Dissertation konzentrierte sich auf Neutronensterne und ihre Eigenschaften, um ein besseres Verständnis der zugrundeliegenden EoS zu erlangen.

Der von Soma und ihren Kollegen entwickelte Deep-Learning-Algorithmus nutzt die makroskopischen Eigenschaften von Neutronensternen (insbesondere ihre Massen und Radien), um die entsprechenden mikroskopischen Größen - die zugrunde liegende Zustandsgleichung - zu erhalten [1,2]. Verglichen mit Ansätzen des überwachten Lernens für dasselbe Forschungsproblem bietet diese Methode natürliches Bayes'sches Bild zur Interpretation. Dabei könnte man zusätzliche Annahmen einbeziehen, die aus Schwerionen-Kollisionsexperimenten gewonnen wurden. Darüber hinaus kann diese neuartige Methode auch in verschiedenen Bereichen eingesetzt werden, in denen es um inverse Probleme geht.

Bayes'sche Inferenz Bayes'sche Inferenz: Die Bayes'sche Inferenz zieht statistische Schlussfolgerungen, indem die Überzeugungen über eine unbekannte Größe auf der Grundlage der Kombination von bereits Bekanntem (Vorwissen) mit Beobachtungsdaten (neuen Erkenntnissen) aktualisiert werden, was Wahrscheinlichkeits-Vorhersagen über die unbekannte Größe ermöglicht.

Somas Arbeit erstreckt sich auch auf Deep-Learning-Studien zur Analyse von Gravitationswellensignalen von verschmelzenden binären Neutronensternen [3]. Hier zeigen Soma und ihre Kollegen zum ersten Mal, dass es möglich ist, die Gezeitenverformbarkeit der verschmelzenden Neutronensterne zu bestimmen. In einer weiteren Veröffentlichung beschreibt Soma die Eigenschaften der Überreste der Verschmelzung zweier Neutronensterne beim Gravitationswellen-Ereignis GW170817 [4]. Die aus ihrer Analyse gewonnenen Radiusschätzungen stimmen mit den Werten aus Beobachtungen überein. Die neuen Methoden aus Somas Arbeit könnten sich in Zukunft als nützlich erweisen, da in den kommenden Jahren mehr Beobachtungsdaten zu erwarten sind.

Gezeitenbedingte Verformungen Wenn ein Neutronenstern in die Nähe eines anderen massereichen Objekts kommt, z. B. eines anderen Neutronensterns oder eines Schwarzen Lochs, wird er durch dessen Gezeitenkräfte verformt. Der Begriff "Gezeitendeformierbarkeit" wird verwendet, um zu beschreiben, wie stark ein Neutronenstern auf diese Kräfte reagiert und wie leicht er verformt werden kann. Sie ist daher ein wichtiger Parameter, um das Verhalten extrem dichter Materiezustände in Neutronensternen zu verstehen und Einblicke in die grundlegenden Eigenschaften astrophysikalischer Objekte zu erhalten.

Soma dankt allen am FIAS, "Mentoren, Kollegen, Freunden und der Verwaltung für die unschätzbare Unterstützung in den letzten Jahren". Sie wird künftig die am FIAS erlernten Fähigkeiten bei der Firma Peiker nutzen, um Deep-Learning-Algorithmen für die Entwicklung von Demo-Systemen einzusetzen. 

Veröffentlichungen: 

[1] Shriya Soma, Lingxiao Wang, Shuzhe Shi, Horst Stöcker and Kai Zhou, “Neural network reconstruction of the dense matter equation of state from neutron star observables”, Journal of Cosmology and Astroparticle Physics, 08, 071 (2022) DOI: 10.1088/1475-7516/2022/08/071

[2] Shriya Soma, Lingxiao Wang, Shuzhe Shi, Horst Stöcker and Kai Zhou, “Reconstructing the neutron star equation of state from observational data via automatic differentiation”, Physical Review D, 107, 083028 (2023) DOI: 10.1103/PhysRevD.107.083028

[3] Shriya Soma, Horst Stöcker and Kai Zhou, “Mass and Tidal parameter extraction from gravitational waves of binary neutron stars mergers using deep learning”, Journal of Cosmology and Astroparticle Physics, 01, 009 (2024) DOI: 10.1088/1475-7516/2024/01/009

[4] Shriya Soma and Debades Bandyopadhyay, “Properties of Binary Components and Remnant in GW170817 Using Equations of State in Finite Temperature Field Theory Models”, The Astrophysical Journal, 890, 139 (2020) DOI: 10.3847/1538-4357/ab6a9e