Open Access

Shriya Soma

• The equation of state (EoS) of matter at extremely high temperatures and densities is currently not fully understood, and remains a major challenge in the field of nuclear physics. Neutron stars harbor such extreme conditions and therefore serve as celestial laboratories for constraining the dense matter EoS. In this thesis, we present a novel algorithm that utilizes the idea of Bayesian analysis and the computational efficiency of neural networks to reconstruct the dense matter equation of state from mass-radius observations of neutron stars. We show that the results are compatible with those from earlier works based on conventional methods, and are in agreement with the limits on tidal deformabilities obtained from the gravitational wave event, GW170817. We also observe that the resulting squared speed of sound from the reconstructed EoS features a peak, indicating a likely convergence to the conformal limit at asymptotic densities, as expected from quantum chromodynamics. The novel algorithm can also be applied across various fields faced with computational challenges in solving inverse problems. We further examine the efficiency of deep learning methods for analyzing gravitational waves from compact binary coalescences in this thesis. In particular, we develop a deep learning classifier to segregate simulated gravitational wave data into three classes: signals from binary black hole mergers, signals from binary neutron star mergers, or white noise without any signals. A second deep learning algorithm allows for the regression of chirp mass and combined tidal deformability from simulated binary neutron star mergers. An accurate estimation of these parameters is crucial to constrain the underlying EoS. Lastly, we explore the effects of finite temperatures on the binary neutron star merger remnant from GW170817. Isentropic EoSs are used to infer the frequencies of the rigidly rotating remnant and are noted to be significantly lower compared to previous estimates from zero temperature EoSs. Overall, this thesis presents novel deep learning methods to constrain the neutron star EoS, which will prove useful in future, as more observational data is expected in the upcoming years.
• Die Zustandsgleichung (EoS) der Materie bei extrem hohen Temperaturen und Dichten ist derzeit nicht vollständig verstanden und bleibt eine wesentliche Herausforderung auf dem Gebiet der Kernphysik. Neutronensterne beherbergen solche extremen Bedingungen und dienen daher als kosmische Labore zur Einschränkung der dichten Materie-EoS. In dieser Arbeit präsentieren wir einen neuartigen Algorithmus, der die Idee der bayesianischen Analyse und die Recheneffizienz neuronaler Netzwerke nutzt, um die Zustandsgleichung dichter Materie aus Massen-Radius-Beobachtungen von Neutronensternen zu rekonstruieren. Wir zeigen, dass die Ergebnisse mit denen früherer Arbeiten basierend auf konventionellen Methoden kompatibel sind und mit den Grenzen der Gezeitenverformbarkeit übereinstimmen, die aus dem Gravitationswellenereignis GW170817 gewonnen wurden. Wir beobachten auch, dass die resultierende quadrierte Schallgeschwindigkeit aus der rekonstruierten EoS ein Maximum aufweist, das auf eine wahrscheinliche Konvergenz zum konformen Grenzwert bei asymptotischen Dichten hinweist, wie in der Quantenchromodynamik erwartet wird. Der neuartige Algorithmus kann auch in verschiedenen Bereichen angewandt werden, in denen die Lösung inverser Probleme eine rechnerische Herausforderungen darstellen. Wir untersuchen weiterhin die Effizienz von Deep-Learning-Methoden zur Analyse von Gravitationswellen aus kompakten binären Verschmelzungen in dieser Arbeit. Insbesondere entwickeln wir einen Deep-Learning-Klassifizierer, um simulierte Gravitationswellendaten in drei Klassen aufzuteilen: Signale aus Verschmelzungen von binären Schwarzen Löchern, Signale aus Verschmelzungen von binären Neutronensternen oder weißes Rauschen ohne Signale. Ein zweiter Deep-Learning-Algorithmus ermöglicht die Regression der Chirpmasse und der kombinierten Gezeitenverformbarkeit aus simulierten Verschmelzungen von binären Neutronensternen. Eine genaue Schätzung dieser Parameter ist entscheidend, um die zugrunde liegende EoS einzuschränken. Schließlich untersuchen wir die Auswirkungen endlicher Temperaturen auf den Überrest der Verschmelzung von binären Neutronensternen aus GW170817. Isentrope Zustandsgleichungen werden verwendet, um die Frequenzen des starr rotierenden Überrests abzuschätzen. Diese Frequenzen sind im Vergleich zu früheren Schätzungen aus EoSs bei Null-Temperatur deutlich niedriger. Insgesamt präsentiert diese Arbeit neuartige Deep-Learning-Methoden zur Einschränkung der Neutronenstern-EoS, die sich in Zukunft als nützlich erweisen werden, da in den kommenden Jahren mit mehr Beobachtungsdaten zu rechnen ist.