基于神经贝叶斯更新的引力波目录生态学

随着引力波目录的不断增长， 对其进行整体分析将变得越来越昂贵， 特别是当对具有高维灵活模型的天体物理源群体进行推断时。贝叶斯统计提供了自然的补救措施， 让我们在新数据到达时对物理模型的了解进行更新， 而无需重新分析现有数据。然而， 这需要模型参数的后验概率密度，这通常是难以计算的。本文我们使用变分神经后验估计来快速更新作为引力波探测器检测到的二进制黑洞群体。我们将其应用于实验和模拟目录， 这些目录分别使用低维和高维群体模型进行分析， 测试了三种更新频率： 使用新目录的源、在观测运行期间按月更新， 以及在每个新信号到来时更新。我们探讨了神经顺序更新的成功与失败模式， 发现更新的鲁棒性取决于每次更新所包含的信息， 且在使用较大数据段执行更新时最为有效。我们概述了另一种由贝叶斯更新启用的科学应用：识别关于群体 individually 有信息量的事件。神经贝叶斯更新天体物理群体模型也为与其他数据（例如标准信使宇宙学）的联合分析提供了高效的似然表示， 类似的方法可用于执行贝叶斯随机背景搜索。