Probabilistic Dalek——带概率预测的超新星层析仿真器框架
机器学习
2022-09-21 v1 天体物理仪器与方法
摘要
超新星光谱时间序列可用于重建被称为超新星层析的空间分辨爆炸模型。除观测光谱时间序列外，超新星层析还需辐射转移模型以执行带不确定性量化的反演重建。超新星层析模型的最小参数化约为十几个参数，而 realistic 模型需逾 100 个。realistic 辐射转移模型单次评估需数十 CPU 分钟，使该问题用传统手段（需数百万 MCMC 样本）在计算上不可行。一种利用机器学习技术加速模拟的新方法，即代理模型或仿真器，为此类问题提供了解决方案，也提供了从光谱时间序列理解前身星/爆炸的途径。现有针对 TARDIS 超新星辐射转移代码的仿真器仅在简化的低维模型（约十几个参数）上表现良好，且在超新星领域知识获取方面应用有限。本工作中，我们提出针对辐射转移代码 TARDIS 的新仿真器，不仅优于现有仿真器，还提供预测不确定性。它为未来基于主动学习的机械装置奠定基础，该装置将能仿真数百参数的极高维空间，这对解决超新星及相关领域的紧迫问题至关重要。
引用
@article{arxiv.2209.09453,
title = {Probabilistic Dalek -- Emulator framework with probabilistic prediction for supernova tomography},
author = {Wolfgang Kerzendorf and Nutan Chen and Jack O'Brien and Johannes Buchner and Patrick van der Smagt},
journal= {arXiv preprint arXiv:2209.09453},
year = {2022}
}
备注
7 pages, accepted at ICML 2022 Workshop on Machine Learning for Astrophysics