[论文解读] Amortized Bayesian Inference for Supernovae in the Era of the Vera Rubin Observatory Using Normalizing Flows

V. Ashley Villar|arXiv (Cornell University)|Nov 8, 2022

Gamma-ray bursts and supernovae被引用 8

一句话总结

本论文提出首个基于模拟的推断（SBI）框架，采用掩码自回归归一化流（MAFs）对超新星（SN）参数进行快速、可摊销的贝叶斯推断，输入为多变量光变曲线。该方法在类似LSST的模拟数据上进行训练，对每个天体的推断时间仅需约5–10毫秒——比MCMC快10,000倍，从而在薇拉·鲁宾天文台时代实现大规模超新星群体研究的可扩展性。

ABSTRACT

The Vera Rubin Observatory, set to begin observations in mid-2024, will increase our discovery rate of supernovae to well over one million annually. There has been a significant push to develop new methodologies to identify, classify and ultimately understand the millions of supernovae discovered with the Rubin Observatory. Here, we present the first simulation-based inference method using normalizing flows, trained to rapidly infer the parameters of toy supernovae model in multivariate, Rubin-like datastreams. We find that our method is well-calibrated compared to traditional inference methodologies (specifically MCMC), requiring only one-ten-thousandth of the CPU hours during test time.

研究动机与目标

• 解决薇拉·鲁宾天文台每年预计超过一百万颗超新星带来的传统MCMC推断计算瓶颈问题。
• 开发一种可扩展、快速的推断方法，能够处理多波段（ugrizy）中多变量、非均匀采样光变曲线。
• 通过用可摊销推断替代缓慢的采样方法，实现实时、群体级别的超新星光谱统计分析。
• 证明尽管存在数据预处理和模型简化，归一化流仍能为超新星物理参数生成校准良好的后验分布。
• 为未来在流式LSST数据上实现实时推断流水线奠定基础。

提出的方法

• 使用Arnett模型模拟剥离包层的超新星光变曲线，参数化为抛射物质质量、速度、56Ni质量分数和爆发时间。
• 应用二维Matern-3/2高斯过程插值，将非均匀采样、多波段光变曲线转换为固定长度、均匀采样的向量。
• 使用5个MADE模块和200个隐藏单元的掩码自回归流（MAF），通过可摊销推断学习后验分布p(θ|y)。
• 利用学习后验与参考MCMC后验之间的Kullback–Leibler散度，优化归一化流。
• 采用9:1的训练-验证划分，并使用Adam优化器最小化后验错位，且仅需极少的超参数调优。
• 测试时的推断仅需通过训练好的流进行一次前向传播，实现每源亚秒级的推断速度。

实验结果

研究问题

• RQ1 归一化流能否有效用于多变量、LSST类超新星光变曲线的可摊销贝叶斯推断？
• RQ2 与传统MCMC采样相比，SBI方法生成的后验分布在校准程度上如何？
• RQ3 SBI流水线在单个超新星光变曲线参数估计中相比MCMC的计算效率提升程度如何？
• RQ4 SBI后验分布与MCMC后验在位置和不确定性方面匹配程度如何？
• RQ5 通过高斯过程插值进行预处理在多大程度上影响后验准确性和不确定性估计？

主要发现

• SBI方法生成了校准良好的后验分布，概率-概率图显示所有四个参数的后验结果与MCMC结果高度一致。
• SBI后验分布的中位数相对于MCMC无偏，真实值与估计值之间的差异集中在零附近。
• SBI后验分布的不确定性略大于MCMC，尤其在爆发时间和抛射速度方面，可能由于高斯过程插值引入的噪声所致。
• 该方法在测试时实现每源5–10毫秒的推断速度，相比MCMC每源约10分钟的CPU时间，实现了10,000倍的加速。
• 训练完整SBI流水线仅需约30分钟CPU时间，使其在大规模训练数据上部署成为可能。
• 该方法具备可扩展性，适用于流式LSST数据的实时推断，但可能在训练模型未覆盖的分布外事件上失效。