SICRET：基于截断边缘神经比率估计的Ia型超新星宇宙学
宇宙学与河外天体物理
2023-03-14 v2 天体物理仪器与方法
摘要
Ia型超新星(SNae Ia)是可标准化的烛光，能够示踪宇宙的膨胀历史，在约束宇宙学参数（尤其是暗能量）方面发挥着重要作用。当前最先进的基于似然的分析难以扩展到未来的大型数据集，受限于简化的概率描述，且必须显式采样高维潜变量后验以推断少数感兴趣的参数，因而效率低下。另一方面，边缘似然自由推断基于数据的前向模拟，因此可充分计入复杂的红移不确定性、非Ia型源污染、选择效应以及真实的仪器模型。所有潜变量参数（包括仪器与巡天相关参数、单体与群体层级属性）被隐式边缘化，而感兴趣的宇宙学参数被直接推断。作为概念验证，我们将截断边缘神经比率估计(TMNRE)——一种边缘似然自由推断形式——应用于BAHAMAS（一个针对SALT参数的贝叶斯层次模型）。我们验证了TMNRE能从多达100 000颗SNae Ia中给出无偏且精确的宇宙学参数后验。以极小的额外代价，我们训练了一个网络同时推断超新星的O(100 000)个潜变量参数（如绝对亮度）。此外，我们描述并应用了一种利用推断局部摊销将近似贝叶斯后验转换为具有精确覆盖的频率主义置信区域的流程。最后，我们讨论了采用似然自由推断框架所能实现的模型改进计划，如选择效应与非Ia污染。
引用
@article{arxiv.2209.06733,
title = {SICRET: Supernova Ia Cosmology with truncated marginal neural Ratio EsTimation},
author = {Konstantin Karchev and Roberto Trotta and Christoph Weniger},
journal= {arXiv preprint arXiv:2209.06733},
year = {2023}
}
备注
17 pages, 12 figures; This article has been accepted for publication in MNRAS. (c): 2022 The Authors. Published by Oxford University Press on behalf of the Royal Astronomical Society. All rights reserved