基于摊销神经后验估计的 Roman 双星微透镜事件实时无似然推断

使用基于采样的贝叶斯算法（例如马尔可夫链蒙特卡洛；MCMC）对双透镜单源（2L1S）微透镜事件进行快速自动化推断面临两方面挑战：微透镜模拟代码进行似然评估的高计算成本，以及病理参数空间——其负对数似然面可包含众多狭窄且深的局部极小值。2L1S 事件的分析通常涉及对某些参数的网格搜索以定位近似解作为后验采样的前提，这是一个昂贵的过程且常需要人工参与的领域专业知识。由于下一代基于空间的 Roman Space Telescope 微透镜巡测预计将产生数千个双星微透镜事件，亟需一种快速自动化的新方法。在此，我们提出一种名为摊销神经后验估计的无似然推断（LFI）方法，其中神经密度估计器（NDE）从整个先验空间上的预计算模拟中学习替代后验 $\hat{p}(\theta|x)$ 作为观测参数化的条件概率分布。NDE 在 291,012 个模拟的 Roman 类 2L1S 模拟上训练，可在数秒内为先验支持内的任意观测生成准确且精确的后验，无需领域专家参与，从而实现实时和自动化推断。我们表明 NDE 也能捕捉预期的后验简并。随后可用下游 MCMC 采样器以最少的 burn-in 步数将 NDE 后验精炼为精确后验。