引力波星族模型的可解释自动化发现
天体物理仪器与方法
2022-07-27 v1 高能天体物理现象
机器学习
广义相对论与量子宇宙学
摘要
我们提出了一种从数据中自动发现引力波(GW)事件解析星族模型的方法。随着更多引力波(GW)事件被探测到，由于其表达能力强，高斯混合模型(Gaussian Mixture Models)等灵活模型在拟合 GW 性质分布方面变得愈发重要。然而，灵活模型带有许多缺乏物理动机的参数，使得解释这些模型的含义具有挑战性。在这项工作中，我们展示了符号回归(symbolic regression)可通过将此类灵活模型的后验预测分布提炼为可解释的解析表达式来补充灵活模型。我们恢复了常见的 GW 星族模型如 power-law-plus-Gaussian，并找到了一个兼具准确性与简洁性的新经验星族模型。这展示了一种在不断增长的 GW 星表中自动发现可解释星族模型的策略，并有可能应用于其他天体物理现象。
引用
@article{arxiv.2207.12409,
title = {Automated discovery of interpretable gravitational-wave population models},
author = {Kaze W. K Wong and Miles Cranmer},
journal= {arXiv preprint arXiv:2207.12409},
year = {2022}
}
备注
Published in ML4Astro Workshop at ICML 2022. 8 pages, 1 figure. Code at https://github.com/kazewong/SymbolicGWPopulation_paper