Kilonovae与伽玛射线暴后光的高效贝叶斯分析：fiesta
高能天体物理现象
2026-01-14 v2
摘要
伽玛射线暴（GRB）后光和核反应（KNe）是伴随双中子星（BNS）合并的电磁偶然现象。因此，研究其辐射过程对于约束宇宙参数或超密物质的行为具有广泛的兴趣。一种常见的方法是对BNS合并的电磁数据进行贝叶斯后验抽样，以拟合描述该偶然现象的物理模型的参数。然而，对后验进行抽样计算成本高昂，并且由于需要大量似然评估，详细模型在贝叶斯推断中直接使用太昂贵。本文通过引入fiesta—a python 软件包来训练机器学习（ML）代理，以加速后光模型的似然评估。具体而言，我们为最先进的GRB后光模型 afterglowpy 和 pyblastafterglow 构建了广泛的ML代理，同时为KNe辐射模型开发了一个新的代理，基于 possis 代码。我们的代理使得在分钟内完成光度曲线后验评估成为可能。我们还提供内置的后验抽样功能，依赖于 flowMC 软件包，这在添加最多十个 nuisance 抽样参数时能够高效扩展到更高维度。由于使用 JAX 框架，fiesta 还允许在代理训练和后验抽样期间进行 GPU 加速。我们将我们的框架应用于重新分析 AT2017gfo/GRB170817A 和 GRB211211A，因而首次在贝叶斯推断中使用新的 pyblastafterglow 模型。
引用
@article{arxiv.2507.13807,
title = {Efficient Bayesian analysis of kilonovae and gamma ray burst afterglows with fiesta},
author = {Hauke Koehn and Thibeau Wouters and Peter T. H. Pang and Mattia Bulla and Henrik Rose and Hannah Wichern and Tim Dietrich},
journal= {arXiv preprint arXiv:2507.13807},
year = {2026}
}
备注
18 pages, 15 figures, matches the version published in A&A