LtU-ILI：天体物理与宇宙学中隐式推断的一体化框架
天体物理仪器与方法
2024-07-04 v2 宇宙学与河外天体物理
星系天体物理
机器学习
摘要
本文介绍了“学习宇宙隐式似然推断 (LtU-ILI)”流程，这是一个用于天体物理学和宇宙学中快速、用户友好且前沿的机器学习 (ML) 推断的代码库。该流程包含用于实现各种神经架构、训练模式、先验和密度估计器的软件，其方式易于适应任何研究工作流。它包含全面的验证指标，用于评估后验估计的覆盖范围，从而增强推断结果的可靠性。此外，该流程易于并行化，并专为高效探索建模超参数而设计。为了展示其能力，我们展示了在一系列天体物理学和宇宙学问题中的实际应用，例如：从 X 射线光度学估计星系团质量；从物质功率谱和晕点云推断宇宙学；表征引力波信号中的前身星；从星系颜色和光度捕获尘埃的物理参数；以及建立星系形成的半解析模型的性质。我们还对所有已实现的方法进行了详尽的基准测试和比较，并讨论了在天文科学中进行 ML 推断的挑战和陷阱。所有代码和示例均已在 https://github.com/maho3/ltu-ili 上公开提供。
引用
@article{arxiv.2402.05137,
title = {LtU-ILI: An All-in-One Framework for Implicit Inference in Astrophysics and Cosmology},
author = {Matthew Ho and Deaglan J. Bartlett and Nicolas Chartier and Carolina Cuesta-Lazaro and Simon Ding and Axel Lapel and Pablo Lemos and Christopher C. Lovell and T. Lucas Makinen and Chirag Modi and Viraj Pandya and Shivam Pandey and Lucia A. Perez and Benjamin Wandelt and Greg L. Bryan},
journal= {arXiv preprint arXiv:2402.05137},
year = {2024}
}
备注
22 pages, 10 figures, accepted in the Open Journal of Astrophysics. Code available at https://github.com/maho3/ltu-ili