利用摊销神经后验估计加速贝叶斯 SED 建模

最先进的谱能量分布(SED)分析使用贝叶斯框架从观测测光或光谱推断星系物理性质。它们需要从高维 SED 模型参数空间中采样,每个星系耗时 $>10-100$ CPU 小时,这使得分析即将到来的星系巡天($e.g.$ DESI、PFS、Rubin、Webb 和 Roman)将观测到的数十亿星系在实践中不可行。本工作中,我们提出一种可扩展的严格贝叶斯推断替代方法,使用摊销神经后验估计(ANPE)。ANPE 是一种基于模拟的推断方法,采用神经网络在全观测范围内估计后验概率分布。一旦训练完成,估计后验无需额外模型评估。我们提出并公开发布 ${\rm SED}{flow}$,一种 ANPE 方法,用于从光学测光产生近期 Hahn 等人(2022)SED 模型的后验。${\rm SED}{flow}$ 每星系约需 ${\sim}1$ $second~per~galaxy$ 获得 12 个模型参数的后验分布,全部与传统马尔可夫链蒙特卡洛采样结果高度一致。我们还将 ${\rm SED}{flow}$ 应用于 NASA-Sloan 图谱中的 33,884 个星系并公开其后验:见 https://changhoonhahn.github.io/SEDflow。