强透镜星系中暗物质子结构的有针对性无似然推断
宇宙学与河外天体物理
2020-11-30 v2 星系天体物理
天体物理仪器与方法
高能物理 - 唯象学
摘要
对星系-星系强引力透镜系统的光学图像分析可提供小尺度暗物质分布的重要信息。然而，这些图像的建模与统计分析极为复杂，需结合源图像与主透镜重建、超参数优化，以及对小尺度结构实现方式的边际化。我们在此提出一种新分析流水线，通过在一个连贯方法中汇集诸多近期机器学习进展（包括变分推断、高斯过程、可微概率编程与神经似然到证据比估计）来应对这些多样化挑战。我们的流水线可实现：(a) 源图像与透镜质量分布的快速重建，(b) 不确定性的变分估计，(c) 源正则化及其他超参数的高效优化，以及 (d) 对如子结构分布等随机模型组件的边际化。我们在此给出初步结果，证明了本方法的有效性。
引用
@article{arxiv.2010.07032,
title = {Targeted Likelihood-Free Inference of Dark Matter Substructure in Strongly-Lensed Galaxies},
author = {Adam Coogan and Konstantin Karchev and Christoph Weniger},
journal= {arXiv preprint arXiv:2010.07032},
year = {2020}
}
备注
Accepted for the NeurIPS 2020 workshop Machine Learning and the Physical Sciences; 9 pages, 4 figures; minor edits for clarity since v1