Population synthesis of Galactic pulsars with machine learning

Abstract

Els avenços recents en la disponibilitat de dades i la potència computacional han permès el desenvolupament de nous algorismes d'aprenentatge automàtic i tècniques d'anàlisi de dades que han obert noves vies per estudiar la població d'estrelles de neutrons galàctiques. Aquest treball de tesi representa els primers esforços per combinar estudis de síntesi poblacional de les estrelles de neutrons aïllades galàctiques amb tècniques d'aprenentatge profund amb l'objectiu d'entendre millor les propietats de naixement i l'evolució de les estrelles de neutrons. En particular, desenvolupem un marc de síntesi de població flexible per modelar l'evolució dinàmica i magneto-rotacional de les estrelles de neutrons, la seva emissió en ràdio i la seva detecció amb radiotelescopis. Primer estudiem la viabilitat d'utilitzar xarxes neuronals profundes per inferir les propietats dinàmiques en el naixement d'una població simulada d'estrelles de neutrons a partir de mapes de densitat que emmagatzemen la informació sobre la seva posició celeste i el seu moviment adequat. A continuació, explorem un enfocament d'inferència basat en simulacions per limitar els nostres models físics a partir de la població observada de púlsars de ràdio. Utilitzem un estimador de densitat neuronal per predir la distribució posterior dels paràmetres que descriuen les distribucions del camp magnètic de naixement i del període d'espín i la decadència del camp magnètic tardà a partir de mapes de densitat que contenen informació sobre el període de spin i la derivada del període de spin. Els nostres resultats per a les propietats magneto-rotacionals inicials coincideixen amb les troballes de treballs anteriors mentre limitem l'evolució tardana del camp magnètic a les estrelles de neutrons per primera vegada. A més del desenvolupament del marc de síntesi poblacional, aquesta tesi també estudia possibles escenaris per explicar la naturalesa desconcertant de les fonts de ràdio periòdiques descobertes recentment amb períodes molt llargs de l'ordre de milers de segons. En particular, assumint un origen d'estrella de neutrons, estudiem l'evolució del període de rotació d'una estrella de neutrons acabada de néixer que interactua amb un disc de reserva de supernova i trobem que la combinació de camps magnètics forts, semblants a magnetars i taxes d'acreció moderades poden conduir a grans períodes de rotació en escales temporals de deu milers d'anys. A més, realitzem estudis de síntesi poblacional per avaluar la possibilitat que aquestes fonts siguin estrelles de neutrons o nanes blanques magnètiques emetent de manera coherent a través de pèrdues dipolars magnètiques. Aquests descobriments han obert una nova perspectiva sobre la població d'estrelles de neutrons i han començat a qüestionar la nostra comprensió actual de com es produeix una emissió de ràdio coherent a les magnetosferes pulsars. En conjunt, aquest treball de tesi representa el primer pas cap al desenvolupament d'un marc de simulació capaç de modelar les diferents classes d'estrelles de neutrons en un escenari unificat i restringir les propietats de la població d'estrelles de neutrons en el seu conjunt a partir d'observacions de diverses longituds d'ona mitjançant l'aprenentatge automàtic.

Los recientes avances en la disponibilidad de datos y el poder computacional han permitido el desarrollo de nuevos algoritmos de aprendizaje automático y técnicas de análisis de datos que han abierto nuevas vías para estudiar la población de estrellas de neutrones galácticas. Este trabajo de tesis representa los primeros esfuerzos para combinar estudios de síntesis de poblaciones de estrellas de neutrones aisladas galácticas con técnicas de aprendizaje profundo con el objetivo de comprender mejor las propiedades y la evolución del nacimiento de las estrellas de neutrones. En particular, desarrollamos un marco flexible de síntesis de poblaciones para modelar la evolución dinámica y magnetorotacional de estrellas de neutrones, su emisión en radio y su detección con radiotelescopios. Primero estudiamos la viabilidad de utilizar redes neuronales profundas para inferir las propiedades dinámicas en el nacimiento de una población simulada de estrellas de neutrones a partir de mapas de densidad que almacenan información sobre su posición en el cielo y su movimiento adecuado. Luego exploramos un enfoque de inferencia basado en simulación para limitar nuestros modelos físicos a partir de la población de radiopúlsares observada. Empleamos un estimador de densidad neuronal para predecir la distribución posterior de los parámetros que describen las distribuciones del campo magnético de nacimiento y del período de espín y la decadencia tardía del campo magnético a partir de mapas de densidad que contienen información sobre el período de espín y la derivada del período de espín. Nuestros resultados para las propiedades magnetorrotacionales iniciales concuerdan con los hallazgos de trabajos anteriores, mientras que por primera vez limitamos la evolución tardía del campo magnético en las estrellas de neutrones. Además del desarrollo del marco de síntesis de población, esta tesis también estudia posibles escenarios para explicar la naturaleza desconcertante de fuentes de radio periódicas recientemente descubiertas con períodos muy largos del orden de miles de segundos. En particular, al asumir un origen de estrella de neutrones, estudiamos la evolución del período de espín de una estrella de neutrones recién nacida que interactúa con un disco de retroceso de supernova y descubrimos que la combinación de campos magnéticos fuertes, similares a los de un magnetar, y tasas de acreción moderadas pueden conducir a muy grandes períodos de giro en escalas de tiempo de diez mil años. Además, realizamos estudios de síntesis de poblaciones para evaluar la posibilidad de que estas fuentes sean estrellas de neutrones o enanas blancas magnéticas que emitan de forma coherente a través de pérdidas dipolares magnéticas. Estos descubrimientos han abierto una nueva perspectiva sobre la población de estrellas de neutrones y han comenzado a cuestionar nuestra comprensión actual de cómo se produce una emisión de radio coherente en las magnetosferas de púlsares. En general, este trabajo de tesis representa el primer paso hacia el desarrollo de un marco de simulación capaz de modelar las diferentes clases de estrellas de neutrones en un escenario unificado y limitar las propiedades de la población de estrellas de neutrones en su conjunto a partir de observaciones de múltiples longitudes de onda mediante el aprendizaje automático.

The recent advancements in data availability and computational power have allowed the development of new machine-learning algorithms and data-analysis techniques that have opened up new avenues to study the Galactic neutron-star population. This thesis work represents the first efforts to combine population synthesis studies of the Galactic isolated neutron stars with deep-learning techniques with the aim of better understanding neutron-star birth properties and evolution. In particular, we develop a flexible population-synthesis framework to model the dynamical and magneto-rotational evolution of neutron stars, their emission in radio and their detection with radio telescopes. We first study the feasibility of using deep neural networks to infer the dynamical properties at birth of a simulated population of neutron stars from density maps storing the information on their sky position and proper motion. We then explore a simulation-based inference approach to constrain our physical models from the observed radio pulsar population. We employ a neural density estimator to predict the posterior distribution of the parameters describing the birth magnetic-field and spin-period distributions and the late-time magnetic-field decay from density maps containing information on the spin period and spin-period derivative. Our results for the initial magneto-rotational properties agree with the findings of previous works while we constrain the late-time evolution of the magnetic field in neutron stars for the first time. Besides the development of the population-synthesis framework, this thesis also studies possible scenarios to explain the puzzling nature of recently discovered periodic radio sources with very long periods of the order of thousands of seconds. In particular, by assuming a neutron-star origin, we study the spin-period evolution of a newborn neutron star interacting with a supernova fallback disk and find that the combination of strong, magnetar-like magnetic fields and moderate accretion rates can lead to very large spin periods on timescales of ten thousands of years. Moreover, we perform population synthesis studies to assess the possibility for these sources to be either neutron stars or magnetic white dwarfs emitting coherently through magnetic dipolar losses. These discoveries have opened up a new perspective on the neutron-star population and have started to question our current understanding of how coherent radio emission is produced in pulsar magnetospheres. Overall this thesis work represents the first step towards developing a simulation framework able to model the different neutron star classes in a unified scenario and constraining the properties of the neutron-star population as a whole from multi-wavelength observations through machine learning.