脉冲星时序阵列上具有归一化流的快速参数推断
本文提出了一种贝叶斯推导和计算的新方法,通过递归划分样本空间来定义,并通过有效的数据结构组织划分来近似整个密度函数以及规范化常数,可用于证据估计或快速后验采样,并具有与最新技术相当的性能。
Oct, 2020
提出了流匹配后验概率估计(FMPE)方法,使用连续正则化流实现了基于模拟的推断任务,较于离散流,在保持精度的情况下,提供了更高的灵活性和可伸缩性。在模拟数据集上取得了有竞争力的性能,而在重力波推断任务中,FMPE方法的训练速度比离散流方法快30%,且准确度得到了大幅提高。
May, 2023
通过Surjective Sequential Neural Likelihood(SSNL)估计,我们提出了一种新的方法,用于在评估似然函数不可行且仅可使用生成合成数据的模拟器的模型中进行基于模拟的推断。SSNL采用一个降维的满射标准化流模型并将其用作替代似然函数,通过嵌入数据在低维空间中,解决了先前基于似然函数的方法在应用于高维数据集时遇到的问题。我们评估了SSNL在各种实验中的表现,并表明它通常优于在基于模拟的推断中使用的现代方法,比如在一个来自天体物理学的挑战性实际例子中,该例子使用太阳动力学模型来建模太阳的磁场强度。
Aug, 2023
我们倡导一种新的宇宙学基于概率的推断范式,利用最近在机器学习及其底层技术中的发展,加速在高维环境中的贝叶斯推断。具体来说,我们结合了(i)模拟——其中训练一个机器学习模型来模仿宇宙观测量,例如CosmoPower-JAX;(ii)可导性和概率编程,例如JAX和NumPyro;(iii)可伸缩的MCMC采样技术,可以利用梯度,例如哈密顿蒙特卡罗;以及(iv)解耦且可伸缩的贝叶斯模型选择技术,纯粹从后验样本计算贝叶斯证据,例如在harmonic中学到的调和均值。这一范式使我们能够在传统方法的一小部分时间内进行完整的贝叶斯分析,包括参数估计和模型选择。首先,我们在37-维和39-维参数空间中,通过模拟的宇宙剪切分析,展示了这种范式的应用,比较了ΛCDM模型和动力学暗能量模型($w_0w_a$CDM)。我们的结果与传统的嵌套采样方法计算得到的后验轮廓和证据估计非常吻合,而且计算成本从需要48个CPU核心上的8个月时间减少到了使用12个GPU的2天时间。其次,我们考虑了三个模拟的下一代调查的联合分析,每个调查都进行了3x2pt分析,得到了157-维和159-维参数空间。在这种高维环境中,标准的嵌套采样技术根本不可行,需要在48个CPU核心上投入12年的计算时间。而另一方面,我们提出的方法只需要24个GPU的8天计算时间。我们在分析中使用的所有软件包都是公开可用的。
May, 2024
应用GPU加速、自动差分和神经网络引导重新参数化等新技术,我们研究了多维参数空间中的天体粒子物理实验结果,并将其性能与传统嵌套采样技术进行了对比,发现这些技术可以加速推理过程,提高模型比较性能。
May, 2024
融合的双中子星 (Binary Neutron Stars,BNSs)在引力波(Gravitational Wave,GW)和电磁(Electromagnetic,EM)光谱中发射信号,在该论文中,作者开发了一种机器学习方法,能够在一秒钟内完成完整的BNS推理,无需进行任何近似计算。
Jul, 2024
本文研究了极端质量比启发(EMRI)信号参数估计的挑战,提出了一种基于机器学习的贝叶斯后验估计新方法,采用ODE神经网络的流匹配技术。研究结果表明,该方法在计算效率上相比传统的马尔可夫链蒙特卡洛方法快几个数量级,同时保持参数估计的无偏性,对EMRI信号的波形分析具有重要潜力。
Sep, 2024