基于神经后验估计的仿真推断在 X 射线光谱拟合中的应用 II——面向 X 射线积分域单元的高分辨率光谱

X 射线光谱拟合在高能天体物理学中可通过机器学习可靠加速。特别是，仿真推断（SBI）在低分辨率光谱的高斯与泊松 regime 中产生准确后验分布，速度远快于蒙特卡洛金斯塔克链或嵌套抽样等精确方法。我们现 aims at 突出 SBI 对于高分辨率光谱的能力，这些光谱将由 newAthena X 射线积分域单元（X-IFU）提供。大量通道促使我们使用压缩表示的光谱，充分利用 SBI 的 likelihood-free 推断特性。我们探讨了两种压缩方案：一种采用简单概括统计量，如任意 bin 中的计数或这些 bin 之间的比率。我们通过使用各种光谱模型（包括光滑的 comptonized 光谱、相对论反射模型和等离子体发射模型）对模拟的 X-IFU 光谱进行基准测试。我们发现，使用简单且有意义的概括统计量比直接处理完整光谱更高效，后者可推出与嵌套抽样中精确计算相当的后验分布。多轮推断迅速收敛至优解。 amortized 单轮推断需要更多模拟，故训练时间较长，但可用于随后推断来自众多观测的模型参数。必须使用专门的概括统计量来处理发射线信息。SBI 用于 X 射线光谱拟合是一种稳健的技术，能提供 well calibrated 后验。这一方法在高分辨率光谱方面显示出巨大的潜力，为 X-IFU 的科学利用提供了可能性。我们计划将其应用于当前高分辨率望远镜时代，并进一步以真实数据挑战此方法。