[论文解读] A new approach for obtaining cosmological constraints from Type Ia Supernovae using Approximate Bayesian Computation

Elise Jennings, R. C. Wolf+1 more|arXiv (Cornell University)|Nov 9, 2016

Statistical Methods and Bayesian Inference被引用 23

一句话总结

本文提出 superABC，一种新颖的近似贝叶斯计算（ABC）方法，用于从Ia型超新星光 light curves 推导宇宙学约束，而无需假设似然函数。通过使用两种度量——Tripp 和 Light Curve，superABC 在模拟数据中引入系统不确定性，并与观测值进行比较，从而获得稳健的参数约束；结果显示，在包含校准系统误差时，$w_0$ 的不确定性增加了17%，且在捕捉系统效应影响方面优于标准MCMC方法。

ABSTRACT

Cosmological parameter estimation techniques that robustly account for systematic measurement uncertainties will be crucial for the next generation of cosmological surveys. We present a new analysis method, superABC, for obtaining cosmological constraints from Type Ia supernova (SN Ia) light curves using Approximate Bayesian Computation (ABC) without any likelihood assumptions. The ABC method works by using a forward model simulation of the data where systematic uncertainties can be simulated and marginalized over. A key feature of the method presented here is the use of two distinct metrics, the `Tripp' and `Light Curve' metrics, which allow us to compare the simulated data to the observed data set. The Tripp metric takes as input the parameters of models fit to each light curve with the SALT-II method, whereas the Light Curve metric uses the measured fluxes directly without model fitting. We apply the superABC sampler to a simulated data set of $\\sim$1000 SNe corresponding to the first season of the Dark Energy Survey Supernova Program. Varying $\\Omega_m, w_0, \\alpha$ and $\\beta$ and a magnitude offset parameter, with no systematics we obtain $\\Delta(w_0) = w_0^{\ m true} - w_0^{\ m best \\, fit} = -0.036\\pm0.109$ (a $\\sim11$% 1$\\sigma$ uncertainty) using the Tripp metric and $\\Delta(w_0) = -0.055\\pm0.068$ (a $\\sim7$% 1$\\sigma$ uncertainty) using the Light Curve metric. Including 1% calibration uncertainties in four passbands, adding 4 more parameters, we obtain $\\Delta(w_0) = -0.062\\pm0.132$ (a $\\sim14$% 1$\\sigma$ uncertainty) using the Tripp metric. Overall we find a $17$% increase in the uncertainty on $w_0$ with systematics compared to without. We contrast this with a MCMC approach where systematic effects are approximately included. We find that the MCMC method slightly underestimates the impact of calibration uncertainties for this simulated data set.

研究动机与目标

• 开发一种无需似然函数的Ia型超新星宇宙学参数估计方法，以稳健方式处理系统不确定性。
• 解决传统MCMC方法依赖假设似然函数、可能低估系统效应影响的局限性。
• 使用带有受控系统误差的模拟DES-SN数据集验证该方法，并与MCMC结果进行比较。
• 展示superABC采样器准确约束标准化参数$\alpha$和$\beta$的能力。
• 利用前向建模ABC框架量化校准不确定性对暗能量参数约束的影响。

提出的方法

• superABC采样器使用近似贝叶斯计算（ABC）绕过似然函数假设，通过在参数空间每个点模拟数据实现。
• 采用两种不同的距离度量：'Tripp'度量使用SALT-II拟合参数，而'Light Curve'度量直接使用原始通量测量值。
• 系统不确定性（如四个波段中1%的光度校准误差）被纳入前向模拟过程，并在其中进行边际化处理。
• 通过基于前一次迭代距离的第75百分位数的阈值以及加权协方差矩阵，对粒子进行迭代扰动。
• 该方法支持通过mpi4py或multiprocessing实现并行执行，I/O操作通过哈希表和ROOT文件集成进行优化。
• 通过接受在容差阈值内的粒子获得后验样本，收敛性通过轨迹图和不确定性稳定性进行监控。

实验结果

研究问题

• RQ1 在存在系统不确定性时，基于ABC的采样方法是否能在无需假设似然函数的情况下，提供比标准MCMC更稳健的宇宙学约束？
• RQ2 在无似然函数条件下，Tripp度量与Light Curve度量在约束$w_0$及其他宇宙学参数方面有何差异？
• RQ3 校准不确定性在多大程度上增加了$w_0$的不确定性？superABC是否比MCMC更准确地捕捉到这一效应？
• RQ4 superABC能否准确恢复Ia型超新星标准化参数$\alpha$和$\beta$的真实值？
• RQ5 引入Planck先验对ABC采样器的收敛性和效率有何影响？

主要发现

• 在无系统误差且有CMB先验条件下，Tripp度量得到$\Delta(w_0) = -0.036 \pm 0.109$，对应$w_0$的$\sim 11\%$ 1$\sigma$不确定性。
• 在相同条件下使用Light Curve度量，$\Delta(w_0) = -0.055 \pm 0.068$，对应$\sim 7\%$ 1$\sigma$不确定性。
• 当在四个波段中引入1%的校准不确定性时，$w_0$的不确定性相比无系统误差情况增加了17%，使用Tripp度量得到$\Delta(w_0) = -0.062 \pm 0.132$。
• 在该模拟数据集中，MCMC方法略微低估了校准不确定性的影响，表明ABC方法提供了更保守且稳健的估计。
• superABC采样器成功恢复了真实的标准参数：$\alpha = 0.1285 \pm 0.011$ 和 $\beta = 3.176 \pm 0.060$，与最大似然结果一致。
• 在初始预 burn-in 阶段之后，额外运行约4–5天，采样器实现了$\sim 1\%$的$1\sigma$误差不确定性，收敛性通过轨迹图得到确认。