基于神经模拟推断利用恒星流约束温暗物质
星系天体物理
2021-08-18 v1 宇宙学与河外天体物理
天体物理仪器与方法
机器学习
摘要
对恒星流密度中观测到的扰动进行统计分析，原则上可对暗物质子晕的质量函数设定严格约束，进而可用于约束暗物质粒子的质量。然而，恒星密度相对于恒星流与子晕参数的似然涉及求解一个难以处理的逆问题，其依赖于由模拟模型隐式定义的所有可能前向实现的积分。为推断子晕丰度，以往的分析依赖于近似贝叶斯计算（ABC）以及受领域启发但手工设计的汇总统计量。本文中，我们引入一种基于摊销近似似然比（AALR）的无似然贝叶斯推断流程，其自动学习数据与模拟器参数之间的映射，并免除了手工设计可能不充分的汇总统计量的需要。我们将该方法应用于恒星流仅受暗物质子晕扰动（从而忽略重子子结构）的简化情形，并给出若干诊断以展示新方法的有效性及所学估计量的统计质量。
引用
@article{arxiv.2011.14923,
title = {Towards constraining warm dark matter with stellar streams through neural simulation-based inference},
author = {Joeri Hermans and Nilanjan Banik and Christoph Weniger and Gianfranco Bertone and Gilles Louppe},
journal= {arXiv preprint arXiv:2011.14923},
year = {2021}
}