面向高信噪比引力波推断的不确定性感知波形建模
机器学习
2025-04-01 v1 人工智能
摘要
黑洞二进制的半解析波形模型需要通过对数值相对论波形进行校准，才能准确地表示后期轨道和合并阶段，因为解析近似在此阶段失效。 fitting coefficients 在优化后，通常在用于从实际引力波数据推断天体参数时保持固定。虽然拟合参数的点估计对大多数应用来说已经足够，但它们只是对拟合过程的完整描述，未能考虑拟合质量或数值相对论数据的内在不确定性。我们采用 IMRPhenomD 模型，说明如何通过对 fitting coefficients 从先验分布中抽样并对其进行边际化，将这些不确定性传播到推断过程中。该先验分布通过确保模型在预定义的错配阈值内与数值相对论替代品训练集兼容来构建。该方法为缓解高信噪比事件中的系统偏差提供了一条途径，特别是针对下一代半解析模型进行预测。
关键词
引用
@article{arxiv.2503.23303,
title = {SalesRLAgent: A Reinforcement Learning Approach for Real-Time Sales Conversion Prediction and Optimization},
author = {Nandakishor M},
journal= {arXiv preprint arXiv:2503.23303},
year = {2025}
}