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

本文提出了一种新颖的方法来加速贝叶斯推断过程，特别关注嵌套取样算法。

May, 2024

提出一种新型的概率编程框架，通过跨平台的概率执行协议直接连接到现有的大规模模拟器，允许通用推理引擎以语言无关的方式记录和控制模拟器内的随机数，并通过后验推断的高度可解释性来演示其技术应用于粒子物理学，提升推断效率。

Jul, 2018

本文提出了一种名为神经传输（NeuTra）的方法，使用自回归流（IAF）学习校正糟糕拒后几何结构的 Hamiltonian Monte Carlo （HMC）采样过程，并在各种合成和真实问题上评估了 NeuTra HMC 的性能。结果发现，相比于基准 HMC， NeuTra HMC 在达到稳态分布所需的时间和渐近有效样本大小率方面均有显着提高。

Mar, 2019

本文提出了一种在回归函数空间中直接执行粒子优化的方法，以克服高维和过度参数化的贝叶斯神经网络（BNN）的后验推断挑战，并在许多任务中取得了良好的表现，包括预测、对抗样本防御和强化学习。

Feb, 2019

本文提出了一种新的高能物理中散射截面和粒子事件样本生成的方法，通过引入神经网络来克服现有方法的一些缺陷，保证了全相空间覆盖和目标分布精确重现，并通过几个代表性的例子研究了算法的性能，包括顶夸克对产生、三光子和四光子最终态的胶子散射等。

Jan, 2020

本文提出了一种构建参数空间低维子空间的方法，并在这些子空间中应用椭圆切片采样和变分推断的贝叶斯模型平均方法，以产生准确的预测和良好的预测不确定性。

Jul, 2019

该研究提出了一种使用物理对称性和变尺度聚类更新以消除偏差且方差较低的方法来进行高维概率分布的无偏抽样，测试了其在经典自旋系统的一阶和二阶相变中的可行性。

May, 2021

通过自动微分和符号回归的方法，从星体位置和速度快照中还原出自由形式的解析势能以及其下属的暗物质分布，这为探索物理规律提供了契机。

May, 2023

通过基于模拟的推理和自回归建模的多功能贝叶斯场重建算法，我们展示了对宇宙学初条件从晚期密度场中的恢复的初步有希望的结果。

Oct, 2023