基于DES SV弱透镜图统计神经压缩的无似然推断
宇宙学与河外天体物理
2020-12-02 v2 天体物理仪器与方法
摘要
在许多宇宙学推断问题中，似然（观测数据作为未知参数函数的概率）未知或难以处理。这 necessitates 近似与假设，可能导致宇宙学参数的错误推断，包括暗物质与暗能量的本质，或制造人为的模型张力。无似然推断涵盖一类新颖方法，利用模拟数据的正向建模严格估计参数的后验分布。我们提出使用暗能量巡天（DES）SV数据的弱透镜图、借助弱透镜图汇总统计的神经数据压缩进行无似然宇宙学参数推断。我们探索了功率谱、峰值计数及利用深度卷积神经网络的透镜质量图神经压缩汇总的组合。我们展示了验证推断过程的方法，涵盖数据建模与概率密度估计步骤。无似然推断为利用星系巡天数据（DES、Euclid与LSST）进行严格大规模宇宙学推断提供了稳健且可扩展的替代方案。我们已公开模拟透镜图。
引用
@article{arxiv.2009.08459,
title = {Likelihood-free inference with neural compression of DES SV weak lensing map statistics},
author = {Niall Jeffrey and Justin Alsing and François Lanusse},
journal= {arXiv preprint arXiv:2009.08459},
year = {2020}
}
备注
Accepted MNRAS, 18 pages, 10 figures, submitted MNRAS