DeepHMC：用于双中子星参数估计的深度神经网络加速哈密顿蒙特卡洛算法
广义相对论与量子宇宙学
2025-05-06 v1 天体物理仪器与方法
摘要
我们提出了一种名为DeepHMC的深度神经网络（DNN）加速哈密顿蒙特卡洛（HMC）算法，用于推断双中子星系统。HMC是一种非随机游走采样器，利用背景梯度信息加速采样器收敛。虽然HMC比随机游走采样器收敛更快，理论上加速因子等于问题的维度，但HMC算法已知的计算瓶颈在于对数似然梯度的计算。我们证明，基于DNN梯度的哈密顿轨迹比基于相对分箱梯度的轨迹快30倍，比基于朴素似然梯度计算的轨迹快7000倍。利用公开可用的128秒LVK数据集，针对双中子星并合事件GW170817和GW190425，我们表明DeepHMC不仅产生了与LVK公开数据高度准确且一致的结果，而且在GW170817的12维参数空间中大约两小时内获取了5000个统计独立样本（SIS），每次SIS的成本低于1秒，对于GW190425则需要2.5天，每次SIS的成本约为25秒。
引用
@article{arxiv.2505.02589,
title = {DeepHMC : a deep-neural-network acclerated Hamiltonian Monte Carlo algorithm for binary neutron star parameter estimation},
author = {Jules Perret and Marc Aréne and Edward K. Porter},
journal= {arXiv preprint arXiv:2505.02589},
year = {2025}
}
备注
22 pages, 11 figures