PTA 数据分析中层次贝叶斯建模的先验依赖问题 II：通过参数去相关处理噪声和 SGWB 推断
天体物理仪器与方法
2026-05-20 v2 宇宙学与河外天体物理
高能天体物理现象
机器学习
摘要
脉冲时序阵列（PTA）提供了一种强大的框架来测量低频引力波, 但结果的准确性和鲁棒性受到复杂噪声过程的挑战, 这些过程必须被准确建模。标准 PTA 分析将每个脉冲分配固定的均匀噪声先验, 这一方法在组合阵列时会引入系统偏差。为克服这一局限, 我们采用层次贝叶斯建模策略, 在该策略中, 噪声先验由更高层次的超参数参数化。为缓解对噪声超先验选择导致推断参数敏感性, 我们引入一种基于将超参数正交投影到物理参数子空间的重参数化层次模型。该转换通过正规化流（Normalizing Flows, NFs）实现, 正规化流提供了可逆且可求解的表示, 并保留 shrinkage 和脉冲间信息池化在重参数化模型中。我们还采用 i-nessai, 一个基于流的嵌套抽样器, 来有效地探索 resulting higher-dimensional parameter space。我们将该方法应用于最小 3 脉冲案例研究, 执行噪声和随机引力波背景（SGWB）参数的同时推断。尽管数据集有限, 但结果一致显示, 重参数化的层次处理更紧密地约束噪声参数，部分缓解了红噪声-SGWB 的退化, 而正交重参数化进一步增强参数独立性, 而不影响涉及物理过程的功率律建模所固有的相关性。
引用
@article{arxiv.2511.01959,
title = {Addressing prior dependence in hierarchical Bayesian modeling for PTA data analysis II: Noise and SGWB inference through parameter decorrelation},
author = {Eleonora Villa and Luigi D'Amico and Aldo Barca and Fatima Modica Bittordo and Francesco Alì and Massimo Meneghetti and Luca Naso},
journal= {arXiv preprint arXiv:2511.01959},
year = {2026}
}
备注
27 pages, 5 figures. Extended analysis and appendix added. Submitted to the Astronomy and Computing special issue HPC in Cosmology and Astrophysics