[论文解读] A Bayesian approach to high fidelity interferometric calibration I: mathematical formalism

Peter Sims, Jonathan C. Pober+1 more|arXiv (Cornell University)|Jun 27, 2022

Radio Astronomy Observations and Technology参考文献 66被引用 10

一句话总结

本文提出了 BayesCal，一种贝叶斯框架，通过将缺失的天体成分建模为对光谱平滑性的统计约束先验，来减轻射电干涉校准中的虚假光谱结构。通过解析地对未知流量贡献进行边缘化，并结合对仪器增益的物理启发式先验，与标准方法相比，BayesCal 可将校准解中的光谱波动抑制高达四个数量级。

ABSTRACT

High fidelity radio interferometric data calibration that minimises spurious spectral structure in the calibrated data is essential in astrophysical applications, such as 21 cm cosmology, which rely on knowledge of the relative spectral smoothness of distinct astrophysical emission components to extract the signal of interest. Existing approaches to radio interferometric calibration have been shown to impart spurious spectral structure to the calibrated data if the sky model used to calibrate the data is incomplete. In this paper, we introduce BayesCal: a novel solution to the sky-model incompleteness problem in interferometric calibration, designed to enable high fidelity data calibration. The BayesCal data model supplements the a priori known component of the forward model of the sky with a statistical model for the missing and uncertain flux contribution to the data, constrained by a prior on the power in the model. We demonstrate how the parameters of this model can be marginalised out analytically, reducing the dimensionality of the parameter space to be sampled from and allowing one to sample directly from the posterior probability distribution of the calibration parameters. Additionally, we show how physically motivated priors derived from theoretical and measurement-based constraints on the spectral smoothness of the instrumental gains can be used to constrain the calibration solutions. In a companion paper, we apply this algorithm to simulated observations with a HERA-like array and demonstrate that it enables up to four orders of magnitude suppression of power in spurious spectral fluctuations relative to standard calibration approaches.

研究动机与目标

• 本文解决由于天体模型不完整而引起的校准干涉数据中虚假光谱结构的问题。
• 其目标是开发一种统计上严谨的方法，对未知天体流量贡献进行建模，而无需假设对天体的完全知识。
• 目标是通过贝叶斯推断结合天体模型和仪器响应的不确定性，实现高保真度校准。
• 旨在提升 21 厘米宇宙学实验中的校准精度，因为在这些实验中前景的光谱平滑性对信号提取至关重要。
• 该框架旨在正确传播不确定性通过校准过程，从而实现稳健的天体物理参数估计。

提出的方法

• BayesCal 框架引入了一种对缺失和不确定流量贡献的统计模型，该模型受对模型中功率的先验约束。
• 它使用一个前向模型，将先验已知的天体成分与未知成分的非参数光谱模型相结合。
• 未知流量模型的参数被解析地边缘化，从而降低后验分布的维度，并实现对校准参数后验的直接采样。
• 通过理论和基于测量的约束，将对仪器增益光谱平滑性的物理启发式先验纳入校准过程。
• 该框架通过引入时间模型和对增益演化施加的先验，支持对多个时间积分的联合校准。
• 它支持贝叶斯模型选择，以确定增益解的最优光谱参数化（例如幂律与更复杂模型）。

实验结果

研究问题

• RQ1 当天体模型不完整时，如何抑制干涉校准中的虚假光谱结构？
• RQ2 何种统计框架可在不增加计算成本的情况下对未知流量贡献进行边缘化？
• RQ3 如何将对仪器增益光谱平滑性的物理启发式先验纳入校准过程？
• RQ4 该框架能否稳健处理基线冗余性和仪器模型参数的不确定性？
• RQ5 引入时间先验如何提升多个积分之间的校准稳定性？

主要发现

• 与标准校准方法相比，BayesCal 可将校准解中的虚假光谱波动抑制高达四个数量级。
• 该框架对未知流量分量进行了解析边缘化，降低了参数空间的维度，从而实现了高效的后验采样。
• 对增益光谱平滑性的物理启发式先验会排斥包含虚假高频结构的解，同时保留真实的低水平光谱特征。
• 该方法正确地将非均匀噪声和冗余效应传播到校准数据中，确保了准确的不确定性传播。
• 贝叶斯模型选择可判断对于给定数据集，简单的光谱模型（如幂律）是否足够，或是否需要更复杂的模型。
• 该框架可推广至完全基于天体的校准，并通过与基于测量误差推导的先验联合采样，考虑了天线位置和波束图的不确定性。