利用Kolmogorov-Arnold网络构建引力波目录的轻量化后验
广义相对论与量子宇宙学
2025-12-05 v2 高能天体物理现象
应用统计
机器学习
摘要
神经密度估计在引力波(GW)数据分析中得到广泛应用，使紧凑二进制坍缩事件实现实时参数估计，并增强对后续分析(如人口推断)的快速推断。本文探索使用Kolmogorov-Arnold网络(KAN)构建高效且可解释的神经密度估计器，用于GW目录的轻量化后验构建。通过将常规激活函数替换为可学习的样条函数，KAN在相关科学任务上实现了卓越的可解释性、更高的准确性和更大的参数效率。凭借这一特征，我们提出了基于KAN的神经密度估计器，该估计器接收尺度为兆字节的GW后验样本，并压缩为尺度为几千字节的模型权重。随后，可进一步从这些神经网络权重中提炼出仅需几千字节的解析表达式，准确率几乎不受影响。在实践中，可使用模型权重或解析表达式快速重建具有保真度的GW后验样本，用于后续分析。我们的轻量化后验构建策略预计将促进用户水平的数据存储和传输，为下一代GW探测器中大量GW事件的高效分析铺路。
引用
@article{arxiv.2508.18698,
title = {Lightweight posterior construction for gravitational-wave catalogs with the Kolmogorov-Arnold network},
author = {Wenshuai Liu and Yiming Dong and Ziming Wang and Lijing Shao},
journal= {arXiv preprint arXiv:2508.18698},
year = {2025}
}
备注
17 pages, 12 figures; accepted by PRD. Code is publicly available at https://github.com/liu-ws/KMADE