重力波データから中性子星半径を推定する記号回帰手法──平均誤差数百メートルで高精度近似を実証

論文概要

重力波観測のみから中性子星（Neutron Star, NS）の半径を直接かつ効率的に推定するため、記号回帰（Symbolic Regression）を用いた新しい近似手法が提案された。双星中性子星の合体から得られる重力波データは、構成天体の質量や潮汐変形能に関する情報を含む一方で、半径そのものは電磁波観測に依存していた。本研究では、pySRを用いてTOV（Tolman-Oppenheimer-Volkoff）方程式の解から得られた区分的ポリトロピック状態方程式（EOS）に基づき、重力波計測量のみを入力として中性子星半径を出力する近似的な数式を導出している。検証の結果、広範なパラメータ範囲において実測値との平均誤差が数百メートル以内におさまることが示された。

関連研究

従来、中性子星の半径はX線観測などの電磁波観測によって制約されてきた。一方で、LIGOやVirgoといった重力波検出器による観測網の進展に伴い、重力波データから直接物性を引き出すマルチメッセンジャー天文学の研究が活発化している。しかし、重力波データ単体から半径を解析的に導出することは困難であり、数値的なモデリングや事後分布の推定に依存していた。本研究は、機械学習的手法である記号回帰を活用することで、ブラックボックスな予測モデルではなく解釈可能な「数式」の形で半径を直接得るアプローチを導入する点に特徴がある。

新規性と貢献

本研究の最大の貢献は、電磁波観測を伴わずに重力波データのみを入力変数として、中性子星半径を計算する明示的な数式を記号回帰により発見した点にある。これにより、異なる観測チャネル間の情報を直接比較することが容易になり、マルチメッセンジャー天文学における解析の迅速化と効率化が期待できる。また、単一の静的なモデルではなく、現実的な非ポリトロピック高密度物質の理論に基づくEOSに対しても一貫した整合性を示した点が学術的な成果である。

提案手法の詳細

提案手法では、Pythonの記号回帰ライブラリであるpySRを用いて、区分的ポリトロピックEOSを入力としたTOV方程式の解から数式探索を行っている。なぜこの設計にしたかといえば、ブラックボックスな深層学習モデルとは異なり、物理的な解釈性や他の解析パイプラインへの組み込みやすさを担保するためである。重力波観測から得られる質量と潮汐変形能のデータを受け取り、対応する半径の近似値を算出する関数形が探索・最適化された。

評価・考察

提案された近似式は、区分的ポリトロピックEOSを用いたNSデータだけでなく、現実的な（非ポリトロピックな）高密度物質理論に基づくEOSから構成されたNSシーケンスに対してもテストされた。その結果、現在の天体物理学的観測をカバーする幅広いNSパラメータにおいて、正解値（Ground Truth）と記号近似値の間で一貫した一致が確認され、平均的な半径の差は数百メートルにとどまった。さらに、実際の観測イベントであるGW170817の重力波質量および潮汐変形能の事後分布に対してこの近似を適用し、従来報告されている推定半径分布との比較検証が行われている。

応用例と今後の展望

天体物理学や重力波データ解析の分野において、大規模な数値計算を介さずに高速で中性子星の半径を見積もるための実用的なツールとして応用できる。日本の宇宙物理学・天文学分野の研究チームや、大規模数値シミュレーションデータを扱う計算科学の現場において、解析パイプラインの軽量化やリアルタイムスクリーニングへの適用が想定される。今後の課題としては、より多様な極限状態方程式や将来の観測精度向上に対応するためのモデルの拡張が挙げられる。

結論

本論文は、pySRを活用した記号回帰により、重力波データのみから中性子星半径を高精度に近似する数式を導出することに成功した。現実的な高密度物質モデルに対しても数十から数百メートル単位の誤差で一致することを示しており、マルチメッセンジャー天文学の解析手法における新たなアプローチとして有用である。

注釈

• 記号回帰 (Symbolic Regression): 数値データから数値的なパラメータだけでなく、数式そのものを探索・発見する機械学習の手法。
• 潮汐変形能 (Tidal Deformability): 連星系がお互いの重力によってどの程度歪まされるかを示す物理量で、中性子星の内部構造に依存する。