基于自回归神经网络流的引力波参数估计

我们引入自回归归一化流，利用深度神经网络从引力波数据中快速进行无似然推断，以估计双黑洞系统参数。归一化流是样本空间上的可逆映射，可用于将简单概率分布变换为更复杂的概率分布：若简单分布可被快速采样并评估其密度，则复杂分布亦可。我们首次将该方法应用于引力波时，使用了以探测器应变数据为条件的自回归流，将多元标准正态分布映射为系统参数的后验分布。我们在由 IMRPhenomPv2 波形构成的人工应变数据上训练模型，这些波形从五参数 $(m_1, m_2, \phi_0, t_c, d_L)$ 先验中抽取，并叠加具有固定功率谱密度的平稳高斯噪声实现。其性能可与当前最佳的深度学习引力波参数估计方法相媲美。随后，我们在变分自编码器框架中融入自回归流，构建了更强大的潜变量模型。该模型性能可与马尔可夫链蒙特卡洛相媲美，尤其成功建模了多模态 $\phi_0$ 后验。最后，我们在扩展参数空间上训练该自回归潜变量模型，纳入对齐自旋 $(\chi_{1z}, \chi_{2z})$ 与双星倾角 $\theta_{JN}$，并表明所有参数及简并性均被良好恢复。在所有情形下，采样极快，抽取 $10^4$ 个后验样本所需时间少于两秒。