基于贝叶斯神经网络的大规模引力透镜建模以实现哈勃常数的准确精确推断
天体物理仪器与方法
2021-04-13 v2 宇宙学与河外天体物理
机器学习
摘要
我们研究了使用近似贝叶斯神经网络（BNNs）对数百个时间延迟引力透镜进行建模以确定哈勃常数（）的方法。我们的BNN在包含透镜星系光线的强透镜活动星系核（AGN）的HST质量合成图像上训练。该BNN能够准确刻画在外剪切场中控制椭圆幂律质量分布的模型参数的后验概率密度函数（PDFs）。随后，我们利用来自合理专用监测活动的模拟时间延迟测量，将BNN推断的后验PDFs传播到整体推断中。假设时间延迟测量良好且对透镜环境有一组合适的先验，我们在推断的上实现了每透镜中位精度为。对200个测试集透镜的简单组合得到了（）的精度，且在该恢复测试中未检测到偏差。整个流水线——包括训练集生成、BNN训练和推断——的计算时间平均到200个透镜为每透镜9分钟，并随着样本量增大收敛到每透镜6分钟。我们的流水线完全自动化且高效，是探索透镜建模中用于推断的整体水平系统误差的有前景工具。
引用
@article{arxiv.2012.00042,
title = {Large-Scale Gravitational Lens Modeling with Bayesian Neural Networks for Accurate and Precise Inference of the Hubble Constant},
author = {Ji Won Park and Sebastian Wagner-Carena and Simon Birrer and Philip J. Marshall and Joshua Yao-Yu Lin and Aaron Roodman},
journal= {arXiv preprint arXiv:2012.00042},
year = {2021}
}
备注
21 pages (+2 appendix), 17 figures. Published in ApJ. Code at https://github.com/jiwoncpark/h0rton. Datasets, trained models, and inference results at https://zenodo.org/record/4300382