SIDE-real：应用截断边际神经比率估计于真实数据的 Ia 型超新星尘埃消光研究
宇宙学与河外天体物理
2024-05-15 v2 天体物理仪器与方法
摘要
我们首次对低红移 Ia 型超新星（SNae Ia）群体的光变曲线进行了完全基于模拟的分层分析。我们在 Python 包 slicsim 中发布的硬件加速前向模型，包含了每颗超新星光谱流量分布的随机变化（基于预训练的 BayeSN 模型）、宿主星系和银河系中尘埃的消光、红移以及真实的仪器噪声。通过利用截断边际神经比率估计（TMNRE），一种基于神经网络的模拟推断技术，我们隐式地边缘化了 4000 多个潜在变量（针对约 100 颗 SNae Ia 的集合），从而在群体层面高效推断 SN Ia 的绝对星等和宿主星系尘埃属性，同时约束单个天体的参数。推断过程的摊销使我们能够通过贝叶斯验证和频率学派校准获得结果的覆盖保证。此外，我们展示了在模拟数据上与通过哈密顿蒙特卡洛实现的完全基于似然的推断的详细比较，然后将 TMNRE 应用于来自卡内基超新星计划的 86 颗 SNae Ia 的光变曲线，推导出的边缘后验分布与先前工作高度一致。鉴于其能够在不显著修改推断过程的情况下，适应前向模型中任意复杂的扩展——例如基于宿主属性的不同群体、红移演化、复杂的光度红移估计、选择效应和非 Ia 污染——TMNRE 有潜力成为未来大型 SN Ia 样本进行宇宙学参数推断的首选工具。
引用
@article{arxiv.2403.07871,
title = {SIDE-real: Supernova Ia Dust Extinction with truncated marginal neural ratio estimation applied to real data},
author = {Konstantin Karchev and Matthew Grayling and Benjamin M. Boyd and Roberto Trotta and Kaisey S. Mandel and Christoph Weniger},
journal= {arXiv preprint arXiv:2403.07871},
year = {2024}
}
备注
16 pages, 10 figures; Published in MNRAS; (c): 2024 The Author(s). Published by Oxford University Press on behalf of Royal Astronomical Society