深度学习星系团动力学质量估计的近似贝叶斯不确定性
宇宙学与河外天体物理
2021-03-16 v2
摘要
我们研究了利用卷积神经网络（CNNs）重建星系团动力学质量估计的贝叶斯不确定性的方法。我们讨论了近似贝叶斯神经网络的统计背景，并展示了变分推断技术如何用于对多种深度神经架构进行计算上易处理的后验估计。我们探讨了在此星系团质量估计背景下，各种模型设计和统计假设如何影响预测精度和不确定性重建。我们使用源自MultiDark模拟和UniverseMachine星表的模拟星系团观测目录来衡量模型后验恢复的质量。我们表明，近似贝叶斯CNNs可产生高度准确的动力学星系团质量后验。这些模型后验在星系团质量上是对数正态的，并将68%和90%置信区间恢复到其测量值的1%以内。我们注意到，这种对动力学质量后验的严格建模对于利用星系团丰度测量来约束宇宙学参数是必要的。
引用
@article{arxiv.2006.13231,
title = {Approximate Bayesian Uncertainties on Deep Learning Dynamical Mass Estimates of Galaxy Clusters},
author = {Matthew Ho and Arya Farahi and Markus Michael Rau and Hy Trac},
journal= {arXiv preprint arXiv:2006.13231},
year = {2021}
}
备注
15 pages, 5 figures. 3 tables, accepted for publication at ApJ