基于模拟的推断流程用于Kilo-Degree Survey的宇宙剪切
摘要：通过与解析模型进行比较的标准方法来推断宇宙大尺度结构数据，计算服从高斯分布的预先计算的协方差的概率密度的摘要统计量。为了克服对概率密度形式和复杂数据的理想化假设以及标准方法中固有的数据的复杂性，我们使用基于模拟的推断（SBI）来学习概率密度，其参数由神经网络参数化。我们构建了一套模拟的，完全服从高斯分布的数据向量，用于最近的Kilo-Degree Survey（KiDS）弱引力透镜分析，并证明SBI可以使用不到$10^4$次模拟恢复出完整的12维KiDS后验分布。我们通过首先用超立方体覆盖参数空间，然后进行批量的主动学习附加点来优化模拟策略。在我们的SBI实现中，数据压缩对于选择次优的基准参数值和数据协方差是鲁棒的。因此，与快速模拟器一起，SBI是标准推断的一种具有竞争力和更灵活的替代方法。
作者：Kiyam Lin, Maximilian von Wietersheim-Kramsta, Benjamin Joachimi, Stephen Feeney
论文ID：2212.04521
分类：Cosmology and Nongalactic Astrophysics
分类简称：astro-ph.CO
提交时间：2023-08-24