論文作者表示，這是通過一種算法去研究來自中子星合并的引力波輻射，當信號抵達地球時只需一秒就能對合并事件進行識別和定位。這種對來自恒星合并的引力波的自動探測，或提供出對此類宇宙事件的新認知。

　　該論文介紹，地球上的探測器能捕捉到雙中子星合并的引力波信號，但仍需快速的后續觀測才能理解這些恒星的組成以及它們碰撞時會發生什么。傳統方法有時無法快速獲得數據，以便在合并后的關鍵時刻將望遠鏡對準來源。基于機器學習的方法能加快分析過程，但與信號長度和復雜性相關的挑戰導致對合并位置的預測精度較低。

　　在本項研究中，論文第一作者兼通訊作者、德國馬克斯·普朗克智能系統研究所Maximilian Dax和同事提出了一種機器學習方法，命名為DINGO-BNS。該方法能在探測到引力波后對雙中子星合并進行高精度的表征和定位，其算法不僅顯著快于更早的迭代版本，而且結果的精度也提高了30%。

　　論文作者總結指出，DINGO-BNS獲得的詳細信息能用于確定哪些事件最值得使用昂貴的望遠鏡時間。他們認為，這種天文學領域應用人工智能的方法，未來或能改進用于探測其他類型的引力波來源，提升人類對整個宇宙的認識。(完)