| Data: |
2026 |
| Resum: |
Els avenços recents en les tècniques d'aprenentatge automàtic i els grans sondejos observacionals han obert noves oportunitats per estudiar la població galàctica d'estrelles de neutrons. Aquesta tesi presenta estudis que combinen la síntesi de poblacions d'estrelles de neutrons amb mètodes d'aprenentatge profund per tal de constrènyer les propietats de naixement i les vies evolutives de les estrelles de neutrons. També investiga la naturalesa dels transitoris de ràdio de període llarg descoberts recentment i constreny la fracció de magnetars dins de la població d'estrelles de neutrons. En primer lloc, desenvolupem un marc flexible de síntesi de poblacions que modelitza l'evolució dinàmica i magnetorotacional de les estrelles de neutrons aïllades a la Galàxia, incloent-hi l'emissió de ràdio i la detectabilitat en sondejos observacionals. Utilitzant inferència basada en simulacions, concretament *Neural Posterior Estimation*, entrenem estimadors neuronals de densitat amb grans conjunts de poblacions simulades de púlsars per inferir distribucions posteriors dels paràmetres del model a partir del diagrama observat P-Pdot. Els resultats són consistents amb estudis previs. Posteriorment, ampliem aquest marc incorporant mesures de flux de ràdio del programa Thousand Pulsar Array al MeerKAT, la mostra homogènia de púlsars més gran amb mesures de flux consistents disponible fins avui. Mitjançant *truncated sequential neural posterior estimation*, mostrem que la inclusió d'informació de flux millora significativament les restriccions sobre la llei intrínseca de lluminositat de ràdio i permet constrènyer el decaïment del camp magnètic en etapes tardanes, assumint un model de llei de potència. L'eficiència d'aquest mètode redueix substancialment el nombre de simulacions necessàries per a l'entrenament. Més enllà de la població de púlsars de ràdio, aquesta tesi investiga la naturalesa dels transitoris de ràdio de període llarg descoberts recentment. Aquestes fonts desafien els models actuals de desacceleració rotacional de les estrelles de neutrons i d'emissió coherent de ràdio. Explorem tant escenaris d'estrelles de neutrons com de nanes blanques utilitzant restriccions observacionals. Tot i que cap dels dos escenaris reprodueix totes les propietats observades, els arguments poblacionals afavoreixen la interpretació de nana blanca, ja que els seus períodes més llargs sorgeixen de manera natural i el seu major moment d'inèrcia els permet retenir més energia rotacional. Aquesta interpretació es veu reforçada pel descobriment de transitoris de període llarg associats a sistemes binaris de nanes blanques. Tanmateix, aquesta classe sembla ser diversa i pot incloure fonts amb diferents orígens físics. Finalment, estudiem la fracció de naixement de magnetars dins de la població galàctica d'estrelles de neutrons utilitzant models de síntesi de poblacions que inclouen de manera consistent diferents classes d'estrelles de neutrons. Comparant simulacions amb mostres observades d'estrelles de neutrons joves en romanents de supernova i amb les *X-ray Dim Isolated Neutron Stars* properes, trobem que les observacions només es poden reproduir si els magnetars constitueixen, de mitjana, aproximadament un ~50% de les estrelles de neutrons i si la taxa de supernoves de col·lapse del nucli supera aproximadament dues per segle. Això implica una taxa de formació més elevada del que s'havia estimat anteriorment i dona suport a l'escenari dels magnetars com a origen plausible de transitoris extrems com els esclats de raigs gamma i les ràfegues ràpides de ràdio. En conjunt, aquesta tesi demostra com la combinació de models de síntesi de poblacions, tècniques d'inferència basades en aprenentatge automàtic i observacions multifreqüència pot proporcionar noves perspectives sobre les propietats de naixement, l'evolució i la diversitat de les estrelles de neutrons a la nostra Galàxia. |
| Resum: |
Los avances recientes en las técnicas de aprendizaje automático y los grandes satélites y telescopios han abierto nuevas oportunidades para estudiar la población galáctica de estrellas de neutrones. Esta tesis presenta estudios que combinan la síntesis de poblaciones de estrellas de neutrones con métodos de aprendizaje profundo para restringir las propiedades de nacimiento y las vías evolutivas de las estrellas de neutrones. También investiga la naturaleza de los transitorios de radio de largo período descubiertos recientemente y restringe la fracción de magnetars dentro de la población de estrellas de neutrones. En primer lugar, desarrollamos un marco flexible de síntesis de poblaciones que modela la evolución dinámica y magnetorrotacional de estrellas de neutrones aisladas en la Galaxia, incluyendo la emisión de radio y la detectabilidad en sondeos observacionales. Utilizando inferencia basada en simulaciones, concretamente *Neural Posterior Estimation*, entrenamos estimadores neuronales de densidad sobre grandes conjuntos de poblaciones simuladas de púlsares para inferir distribuciones posteriores de los parámetros del modelo a partir del diagrama observado P'Pdot. Los resultados son consistentes con estudios previos. Posteriormente, ampliamos este marco incorporando medidas de flujo de radio del programa Thousand Pulsar Array en MeerKAT, la mayor muestra homogénea de púlsares con medidas consistentes de flujo disponible hasta la fecha. Mediante *truncated sequential neural posterior estimation*, mostramos que la inclusión de información de flujo mejora significativamente las restricciones sobre la ley intrínseca de luminosidad en radio y permite restringir el decaimiento del campo magnético en etapas tardías, asumiendo un modelo de ley de potencia. La eficiencia de este método reduce sustancialmente el número de simulaciones necesarias para el entrenamiento. Más allá de la población de púlsares de radio, esta tesis investiga la naturaleza de los transitorios de radio de largo período descubiertos recientemente. Estas fuentes desafían los modelos actuales de frenado rotacional de estrellas de neutrones y de emisión coherente de radio. Exploramos tanto escenarios de estrellas de neutrones como de enanas blancas utilizando restricciones observacionales. Aunque ninguno de los dos escenarios reproduce todas las propiedades observadas, los argumentos poblacionales favorecen la interpretación de enana blanca, ya que sus períodos más largos surgen de manera natural y su mayor momento de inercia les permite retener más energía rotacional. Esta interpretación se ve reforzada por el descubrimiento de transitorios de largo período asociados a sistemas binarios de enanas blancas. Sin embargo, esta clase parece ser diversa y puede incluir fuentes con diferentes orígenes físicos. Finalmente, estudiamos la fracción de nacimiento de magnetars dentro de la población galáctica de estrellas de neutrones utilizando modelos de síntesis de poblaciones que incluyen de manera consistente diferentes clases de estrellas de neutrones. Comparando simulaciones con muestras observadas de estrellas de neutrones jóvenes en remanentes de supernova y con las *X-ray Dim Isolated Neutron Stars* cercanas, encontramos que las observaciones solo pueden reproducirse si los magnetars constituyen, en promedio, aproximadamente un ~50% de las estrellas de neutrones y si la tasa de supernovas de colapso del núcleo supera aproximadamente dos por siglo. Esto implica una tasa de formación más alta de lo estimado previamente y respalda el escenario de los magnetars como un origen plausible de transitorios extremos como los estallidos de rayos gamma y las ráfagas rápidas de radio. En conjunto, esta tesis demuestra cómo la combinación de modelos de síntesis de poblaciones, técnicas de inferencia basadas en aprendizaje automático y observaciones multifrecuencia puede proporcionar nuevas perspectivas sobre las propiedades de nacimiento, la evolución y la diversidad de las estrellas de neutrones en nuestra Galaxia. |
| Resum: |
Recent advances in machine-learning techniques and large observational surveys have opened new opportunities to study the Galactic neutron-star population. This thesis presents studies that combine neutron-star population synthesis with deep-learning methods to constrain the birth properties and evolutionary pathways of neutron stars. It also investigates the nature of recently discovered long-period radio transients and constrains the fraction of magnetars among neutron stars. First, we develop a flexible population-synthesis framework that models the dynamical and magneto-rotational evolution of isolated neutron stars in the Galaxy, including radio emission and survey detectability. Using simulation-based inference, specifically Neural Posterior Estimation, we train neural density estimators on large sets of simulated pulsar populations to infer posterior distributions of model parameters from the observed P-Pdot diagram. The results are consistent with previous studies. We then extend this framework by incorporating radio flux measurements from the Thousand Pulsar Array program on MeerKAT, the largest homogeneous pulsar sample with consistent flux measurements to date. Using truncated sequential neural posterior estimation, we show that including flux information significantly improves constraints on the intrinsic radio luminosity law and allows us to constrain the magnetic-field decay at late times, assuming a power-law model. The efficiency of this method substantially reduces the number of simulations required for training. Beyond the radio pulsar population, this thesis investigates the nature of recently discovered long-period radio transients. These sources challenge current models of neutron-star spin-down evolution and coherent radio emission. We explore both neutron-star and white-dwarf scenarios using observational constraints. While neither scenario reproduces all observed properties, population arguments favor the white-dwarf interpretation, as their longer periods arise naturally and their larger moment of inertia allows them to retain more rotational energy. This interpretation is further supported by the discovery of long-period transients associated with white-dwarf binary systems. However, the class appears to be diverse and may include sources with different physical origins. Finally, we study the birth fraction of magnetars within the Galactic neutron-star population using population-synthesis models that consistently include different neutron-star classes. By comparing simulations with observed samples of young neutron stars in supernova remnants and nearby X-ray Dim Isolated Neutron Stars, we find that the observations can only be reproduced if magnetars constitute, on average ~50\% of neutron stars and if the core-collapse supernova rate exceeds about two per century. This implies a higher formation rate than previously estimated and supports the magnetar scenario as a plausible origin for extreme transients such as gamma-ray bursts and fast radio bursts. Overall, this thesis demonstrates how combining population-synthesis modeling, machine-learning inference techniques, and multiwavelength observations can provide new insights into the birth properties, evolution, and diversity of neutron stars in our Galaxy. |
| Nota: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Física |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Anglès |
| Document: |
Tesi doctoral ; Text ; Versió publicada |
| Matèria: |
Estrelles de neutrons ;
Neutron stars ;
Estrellas de neutrones ;
Aprenentatge automàtic ;
Machine learning ;
Aprendizaje automático ;
Ciències Experimentals |
visitant ::
identificació
dir.
