利用贝叶斯归一化流约束再电离历史
宇宙学与河外天体物理
2020-09-18 v1 机器学习
摘要
下一代 21 cm 巡天为宇宙结构形成的早期阶段打开了新窗口，并为再电离时期（EoR）提供了新见解。然而，21 cm 信号的非高斯特性以及这些巡天产生的大量数据，将需要更先进的技术以有效提取必要信息来约束宇宙的再电离历史。本文中我们提出使用贝叶斯神经网络（BNNs）来预测四个天体物理与宇宙学参数的后验分布。除了取得最先进的预测性能外，所提方法还提供了参数不确定度的准确估计并推断它们之间的相关性。此外，我们展示了归一化流（NF）与 BNN 结合的优势，能够建模更复杂的输出分布，从而捕捉天体物理与宇宙学数据集中参数条件密度分布的非高斯性等关键信息。最后，我们提出了在训练后使用归一化流的新颖校准方法，以产生可靠预测，并从计算成本和预测性能两方面证明了该方法的优势。
引用
@article{arxiv.2005.07694,
title = {Constraining the Reionization History using Bayesian Normalizing Flows},
author = {Héctor J. Hortúa and Luigi Malago and Riccardo Volpi},
journal= {arXiv preprint arXiv:2005.07694},
year = {2020}
}
备注
17 pages, 5 figures. arXiv admin note: substantial text overlap with arXiv:2005.02299