用于快速可靠引力波推断的神经重要性采样
广义相对论与量子宇宙学
2023-05-31 v2 天体物理仪器与方法
机器学习
摘要
我们将摊销神经后验估计与重要性采样相结合，以实现快速准确的引力波推断。我们首先使用神经网络为贝叶斯后验生成快速提议，然后基于底层似然和先验附加重要性权重。这提供了（1）免于网络不准确的修正后验，（2）用于评估提议并识别失败案例的性能诊断（样本效率），以及（3）贝叶斯证据的无偏估计。通过建立这一独立的验证与修正机制，我们解决了针对科学推断中深度学习的一些最常见批评。我们开展了一项大型研究，使用 SEOBNRv4PHM 和 IMRPhenomXPHM 波形模型分析 LIGO 和 Virgo 观测到的 42 个双黑洞并合。结果显示中位样本效率约为 （比标准采样器好两个数量级）以及对数证据中统计不确定性的十倍降低。鉴于这些优势，我们期望对引力波推断产生显著影响，并期望该方法作为在科学应用中利用深度学习方法的范式。
引用
@article{arxiv.2210.05686,
title = {Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference},
author = {Maximilian Dax and Stephen R. Green and Jonathan Gair and Michael Pürrer and Jonas Wildberger and Jakob H. Macke and Alessandra Buonanno and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:2210.05686},
year = {2023}
}
备注
8+7 pages, 1+5 figures. [v2]: Minor updates to match published version, code available at https://github.com/dingo-gw/dingo