利用密度估计在灵活先验与隐式似然下获取强引力透镜参数精确后验的框架
天体物理仪器与方法
2023-01-25 v1 宇宙学与河外天体物理
摘要
我们报道了将隐式似然推断应用于神经网络预测强透镜系统宏观参数。这使我们能够在定义明确的贝叶斯统计框架内对透镜系统进行深度学习分析，以显式地对透镜变量施加所需先验，获取准确的后验，并保证在完美性能极限下收敛至最优后验。我们训练神经网络执行回归任务，以生成透镜参数的点估计。随后，我们在推断设置中将这些估计解释为压缩统计量，并使用混合密度网络对其似然函数进行建模。我们将结果与近似贝叶斯神经网络的结果进行比较，讨论其重要性，并指出未来方向。基于 100,000 个强引力透镜模拟的测试集，我们的摊销模型为任意置信区间生成了准确的后验，在 21.8% 置信水平下的最大百分比偏差为 ，且无需任何额外的校准程序。总体而言，在单个 GPU 上推断 100,000 个不同后验仅需一天，表明该方法能很好地扩展至即将到来的巡天预计发现的数千个透镜系统。
引用
@article{arxiv.2212.00044,
title = {A Framework for Obtaining Accurate Posteriors of Strong Gravitational Lensing Parameters with Flexible Priors and Implicit Likelihoods using Density Estimation},
author = {Ronan Legin and Yashar Hezaveh and Laurence Perreault-Levasseur and Benjamin Wandelt},
journal= {arXiv preprint arXiv:2212.00044},
year = {2023}
}
备注
Accepted for publication in The Astrophysical Journal, 17 pages, 11 figures