用高斯过程与神经网络加速宇宙学推断——在LSST Y1弱透镜与星系聚类上的应用
宇宙学与河外天体物理
2022-12-07 v1
摘要
研究系统效应影响、优化巡天策略、评估不同探针间的张力以及探索不同数据集的协同作用,需要大量模拟似然分析,每一次都耗费数千CPU小时。本文提出一种基于高斯过程回归与神经网络仿真器来加速宇宙学推断的方法。我们在高后验概率区域迭代获取训练样本,从而即使在高位参空间中也能精确仿真数据向量。我们用一项模拟的LSST-Y1 3x2点分析(含真实理论与系统效应建模)展示了仿真器的性能。我们表明该仿真器可给出高保真后验轮廓,并实现数量级加速。最重要的是,训练好的仿真器可复用于极快的效应与优化研究。我们通过研究LSST-Y1 3x2点分析中的重子物理效应展示了该特性,其中我们的每次MCMC运行约耗时5分钟。该技术使未来宇宙学分析能够绘制出作为分析选择与巡天策略函数的科学回报图。
引用
@article{arxiv.2203.06124,
title = {Accelerating cosmological inference with Gaussian processes and neural networks -- an application to LSST Y1 weak lensing and galaxy clustering},
author = {Supranta S. Boruah and Tim Eifler and Vivian Miranda and Sai Krishanth P. M},
journal= {arXiv preprint arXiv:2203.06124},
year = {2022}
}
备注
13 pages, 8 figures, To be submitted to MNRAS