利用贝叶斯正态流实现不确定性量化与模型比较的致密二元体群模拟

致密二元体群合并（CBCs）的 Population synthesis 模拟在从ensemble中提取引力波（GW）观测的astrophysical洞察方面发挥着关键作用。然而，对于密集初始条件网格的真实模拟实施成本较高。正态流可模拟 population synthesis 运行，以从观察到的目录和数据增强稀少可合成亚群体的特征预测。然而，流预测往往带有不确定性，尤其是对于稀疏训练集。本 work 发展了一种用于量化和消除模拟器不确定性的方法，通过实现贝叶斯正态流——一种从贝叶斯神经网络中构建的条件密度估计器。我们利用密度估计器天然相关的精确似然函数，采用合适选择的先验，对流参数后验分布进行抽样，以量化和消除流不确定性。我们演示了估计不确定性对二体黑洞 population 通过 common envelope evolution 形成的模拟的准确性、校准、推理和数据增强影响。我们概述了该方法在从不断增长的 GW 目录中进行基于模拟的推理和特征预测中的应用，结合具有最新水平的 binary evolution 模拟器，现在已消除模型和数据不确定性。