通过机器学习增强的 MCMC 方法解锁极大质量比脉冲捕获的科学新路径
广义相对论与量子宇宙学
2025-08-27 v2 宇宙学与河外天体物理
天体物理仪器与方法
空间物理
摘要
太空天线如 Taiji 和 LISA 检测极大质量比脉冲 (EMRIs) 的引力波，承诺深入洞察强场引力和黑洞物理。然而，EMRI 参数空间中呈现的复杂、高度退化和非凸似然景观给传统马尔可夫链蒙特卡罗 (MCMC) 方法带来严峻挑战。在现实仪器噪声和宽广先验条件下，这些方法需要不可现实的计算成本，却容易陷入局部最大值，导致偏置且不可靠的参数估计。为此，我们引入 Flow-Matching Markov Chain Monte Carlo (FM-MCMC)，一种新型贝叶斯框架，将连续归一化流 (CNF) 与并行退火 MCMC (PTMCMC) 集成。通过 CNFs 生成高似然区域，再通过 PTMCMC 精炼，FM-MCMC 实现对非平凡参数空间的稳健探索，同时在计算效率上实现数量级提升，更重要的是，确保统计上可靠且无偏的推断。通过实现实时、无偏的参数推断，FM-MCMC 可能释放 EMRIs 观测的全部科学潜力，并为精密引力波天文学提供可扩展的管道。
引用
@article{arxiv.2508.00348,
title = {Unlocking New Paths for Science with Extreme-Mass-Ratio Inspirals: Machine Learning-Enhanced MCMC for Accurate Parameter Inversion},
author = {Bo Liang and Chang Liu and Hanlin Song and Zhenwei Lyu and Minghui Du and Peng Xu and Ziren Luo and Sensen He and Haohao Gu and Tianyu Zhao and Manjia Liang Yuxiang Xu and Li-e Qiang and Mingming Sun and Wei-Liang Qian},
journal= {arXiv preprint arXiv:2508.00348},
year = {2025}
}