基于高斯过程与 PCA 的具有不确定性感知且数据高效的宇宙学仿真
宇宙学与河外天体物理
2024-06-10 v2 天体物理仪器与方法
摘要
贝叶斯参数推断是宇宙学研究中模型选择的关键要素之一。然而,现有的推断工具需要对模拟代码进行大量调用,这可能导致高昂甚至不可行的计算成本。在本工作中,我们提出一种用于贝叶斯参数推断的模拟代码仿真(emulation)新方案。具体而言,该新颖方法强调仿真器的不确定性感知,从而能够标明仿真精度并确保可靠性能。着眼于数据效率,我们实现了一种基于高斯过程与主成分分析(PCA)相结合的主动学习算法。我们发现,对于 Planck 和 BAO 数据在 CDM 模型(6 个模型参数与 21 个 nuisance 参数)上的 MCMC 分析,我们能将模拟调用次数减少约 500 倍,并节省约 的计算成本。
引用
@article{arxiv.2307.01138,
title = {Uncertainty-aware and Data-efficient Cosmological Emulation using Gaussian Processes and PCA},
author = {Sven Günther},
journal= {arXiv preprint arXiv:2307.01138},
year = {2024}
}
备注
5 pages, 2 figures