基于神经后验估计的仿真推断用于 X 射线光谱拟合 -- III 使用维数约化和重要抽样求得精确后验分布
天体物理仪器与方法
2026-04-22 v2
摘要
基于神经后验估计（NPE）的仿真推断（SBI）通过学习从仿真中得到的近似参数后验，提供在高斯和泊松范数下的快速 X 射线光谱拟合。我们调查用于压缩高分辨率 X 射线光谱的自编码器，灵感来自 newAthena X 射线积分域单元（X-IFU），并使用基于似然的重要抽样来细化 NPE 输出。我们的自编码器将光谱映射到低维潜在空间，并以 Cash 统计量（C-stat）作为损失函数训练。然后，在潜在表示上训练神经密度估计器。所有模型在多个轮次中训练：在每个轮次中，从围绕观测值的截断提议中抽取新的仿真，以改善效率，随着提议收缩而提升效率。在 NPE 收敛后，我们应用基于似然的重要抽样来纠正所学到的后验。为评估信息保留情况，我们训练一个诊断网络从潜在空间预测原始光谱参数，还训练一个网络学习似然本身以加速重要抽样。在 X-IFU 类仿真上，自编码器和多轮 NPE 在准确性和鲁棒性方面均优于主成分分析（PCA）和手工制作的光谱摘要。在重要抽样之后，得到的后验与使用嵌套抽样获得的后验在统计上不可区分。在标准笔记本电脑上，整个管道（仿真、压缩、推断、纠正）实现 10 倍加速。我们进一步在 XRISM/Resolve 和较低分辨率的 NICER 和 XMM-Newton EPIC-pn 数据上演示了该方法，确认了跨仪器和分辨率的适用性。总体而言，NPE 处理压缩光谱配合基于似然的重要抽样为贝叶斯 X 射线光谱拟合提供了一种既精确又高效的替代方案。
引用
@article{arxiv.2512.16709,
title = {Simulation-based inference with neural posterior estimation applied to X-ray spectral fitting -- III Deriving exact posteriors with dimension reduction and importance sampling},
author = {Didier Barret and Simon Dupourqué},
journal= {arXiv preprint arXiv:2512.16709},
year = {2026}
}
备注
Accepted for publication in A&A, abstract abridged for ArXiv