利用条件可逆神经网络推断宇宙射线源性质
天体物理仪器与方法
2022-03-14 v1 高能物理 - 实验
摘要
从测量分布中推断物理参数是物理数据分析中的核心任务。在近期的深度学习方法中，所谓的条件可逆神经网络因其概率保持的双射映射特性提供了一种优雅的方法。它们允许在一个映射方向上训练参数-观测对应关系，并在反方向上评估参数后验分布。在此，我们利用广泛的天体物理模拟，研究从地球上的宇宙射线观测中推断宇宙射线源性质。我们比较了条件可逆神经网络（cINN）与常用的马尔可夫链蒙特卡洛（MCMC）方法的性能。cINN 被训练以直接预测参数的后验分布，而 MCMC 方法通过将模拟与观测相匹配的似然函数来提取后验分布。总体而言，我们发现两种不同方法得出的物理参数之间具有良好的一致性。由于其计算效率，cINN 方法允许快速评估推断质量。
引用
@article{arxiv.2110.09493,
title = {Inference of cosmic-ray source properties by conditional invertible neural networks},
author = {Teresa Bister and Martin Erdmann and Ullrich Köthe and Josina Schulte},
journal= {arXiv preprint arXiv:2110.09493},
year = {2022}
}
备注
10 pages, 8 figures