引力波GW数据的快速分析，对于指导时间敏感的电磁观测，是至关重要的。然而，由于信号长度和复杂性所带来的挑战，通常需要牺牲精度的近似计算。
近日，德国 马克斯普朗克智能系统研究所 (Max Planck Institute for Intelligent Systems）Maximilian Dax等，在Nature上发文，提出了机器学习框架，可以在1秒内完成完整的双中子星推断，而不需要进行任何类似的近似。这种方法通过提供：（1）甚至在合并之前的精确定位，以增强多信使观测；（2）相比于近似低延迟方法，定位精度提高了约30%；以及（3）关于光度、距离、倾角和质量的详细信息，这些信息可用于昂贵望远镜时间进行优先排序。这种方法的柔性和降低成本，为状态方程研究提供了新的机会。最后，研究证明，这种方法可以扩展到长达一小时的长信号，从而为下一代地面和空间探测器的数据分析，提供了新蓝图。
Real-time inference for binary neutron star mergers using machine learning.
基于机器学习，双中子星合并实时推断。
图1: GW170817的实时推断。
图2: DINGO-BNS合并前推断。
图3: 预先调节和方法流程图。
图4: 压缩和频率掩蔽。
Dax, M., Green, S.R., Gair, J. et al. Real-time inference for binary neutron star mergers using machine learning. Nature 639, 49–53 (2025). https://doi.org/10.1038/s41586-025-08593-z声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
