LINNA：似然推断神经网络加速器
宇宙学与河外天体物理
2023-01-25 v1 天体物理仪器与方法
摘要
现代多探针宇宙学分析的贝叶斯后验推断带来巨大的计算成本。例如，根据探针的组合不同，使用具有 100 个核的先进计算集群对暗能量巡天（DES）数据进行一次后验推断的挂钟时间从 1 天到 21 天不等。这些计算成本对环境有严重影响，且漫长的挂钟时间拖慢了科学产出。为应对这些困难，我们引入 LINNA：似然推断神经网络加速器（Likelihood Inference Neural Network Accelerator）。相对于基线 DES 分析，LINNA 将后验推断相关的计算成本降低了 8–50 倍。若应用于鲁宾天文台时空遗产巡天（LSST Y1）的首年宇宙学分析，我们保守估计 LINNA 将节省超过 30 万美元的能源成本，同时减少 2,400 吨 CO₂ 排放。为实现这些削减，LINNA 自动构建训练数据集、创建神经网络替代模型，并生成对后验采样的马尔可夫链。我们明确验证了 LINNA 以默认代码设置准确复现了由多种不同数据向量导出的 DES 首年（DES Y1）宇宙学约束，而无需每次重新调参。此外，我们发现 LINNA 足以对 LSST Y10 多探针分析实现准确高效的采样。我们将 LINNA 公开于 https://github.com/chto/linna，以使他人能在当代宇宙学分析中执行快速准确的后验推断。
引用
@article{arxiv.2203.05583,
title = {LINNA: Likelihood Inference Neural Network Accelerator},
author = {Chun-Hao To and Eduardo Rozo and Elisabeth Krause and Hao-Yi Wu and Risa H. Wechsler and Andrés N. Salcedo},
journal= {arXiv preprint arXiv:2203.05583},
year = {2023}
}
备注
21 pages, 12 figures, submitted to JCAP, comments are welcome