[论文解读] Bayesian inference in single-line spectroscopic binaries with a visual orbit

Miguel Videla, R. A. Méndez+3 more|arXiv (Cornell University)|Jan 1, 2022

Stellar, planetary, and galactic studies参考文献 43被引用 16

一句话总结

本文提出了一种基于无U形抽样（No-U-Turn Sampler, NUTS）MCMC算法的贝叶斯推断框架，用于联合估计单线光谱双星（SB1s）的轨道参数，结合了视差测光数据与径向速度观测。通过整合径向速度与天体测量观测数据，并引入先验信息（如三角视差和由光谱型估计的主星质量），该方法实现了对以往无法约束的参数的精确估计，包括质量比的不确定性低于10%，即使在缺乏次星光谱线的情况下亦可实现。

ABSTRACT

We present a Bayesian inference methodology for the estimation of orbital parameters on single-line spectroscopic binaries with astrometric data, based on the No-U-Turn sampler Markov chain Monte Carlo algorithm. Our approach is designed to provide a precise and efficient estimation of the joint posterior distribution of the orbital parameters in the presence of partial and heterogeneous observations. This scheme allows us to directly incorporate prior information about the system-in the form of a trigonometric parallax, and an estimation of the mass of the primary component from its spectral type-to constrain the range of solutions, and to estimate orbital parameters that cannot be usually determined (e.g., the individual component masses), due to the lack of observations or imprecise measurements. Our methodology is tested by analyzing the posterior distributions of well-studied double-line spectroscopic binaries treated as single-line binaries by omitting the radial velocity data of the secondary object. Our results show that the system's mass ratio can be estimated with an uncertainty smaller than 10% using our approach. As a proof of concept, the proposed methodology is applied to 12 single-line spectroscopic binaries with astrometric data that lacked a joint astrometric-spectroscopic solution, for which we provide full orbital elements. Our sample-based methodology allows us also to study the impact of different posterior distributions in the corresponding observations space. This novel analysis provides a better understanding of the effect of the different sources of information on the shape and uncertainty in the orbit and radial velocity curve.

研究动机与目标

• 解决在仅能获取主星径向速度数据而次星在径向速度观测中不可见的情况下，对单线光谱双星（SB1s）轨道参数进行估计的挑战。
• 开发一种稳健的联合推断框架，整合异构的天体测量与光谱观测数据，并引入信息性先验。
• 估计以往无法约束的参数，如质量比和双星系统中各组分的质量。
• 通过后验预测分析量化不同数据源对轨道不确定性和轨道形状的影响。
• 为此前缺乏联合天体测量-光谱拟合的12个SB1系统提供完整的轨道解。

提出的方法

• 采用无U形抽样（NUTS）马尔可夫链蒙特卡洛（MCMC）算法，实现对后验分布的高效、自适应哈密顿蒙特卡洛采样。
• 构建联合似然模型，结合径向速度测量值与天体测量位置（ρ, θ），基于开普勒轨道力学。
• 引入信息性先验：利用三角视差和由光谱型估计的主星质量，以约束解空间。
• 使用开普勒模型的解析梯度，对偏近点角E的导数采用数值近似，以支持基于梯度的采样。
• 采用跳跃-跳跃积分法并结合动量重标定，以确保哈密顿转移核的细致平衡与可逆性。
• 实施U形终止条件，自动终止轨迹探索，避免冗余采样，提升效率。

实验结果

研究问题

• RQ1 当仅能获取主星的径向速度数据时，联合贝叶斯推断模型能否准确估计SB1s的轨道参数？
• RQ2 引入天体测量数据及先验信息（视差、光谱型估计的质量）如何提升SB1s中质量比估计的精度？
• RQ3 不同数据源（天体测量 vs. 径向速度）在多大程度上影响后验轨道分布的形状与不确定性？
• RQ4 NUTS算法能否高效采样SB1系统中复杂且高维的后验分布？
• RQ5 数据异质性与测量不确定性对推断轨道元素可靠性的影晌如何？

主要发现

• 该方法在SB1系统中实现了质量比不确定性低于10%，即使在缺乏次星光谱线数据的情况下亦可实现。
• 结合天体测量与径向速度数据，并引入视差与质量先验，使得SB1系统中各组分质量的估计成为可能，而这些参数此前无法被约束。
• 后验预测分析表明，天体测量数据显著降低了轨道不确定性，尤其在偏心率与倾角方面。
• NUTS采样器在无需手动调整步长或轨迹长度的情况下，有效探索了后验分布，展现出在高维轨道参数空间中的稳健性能。
• 该框架成功为此前缺乏联合天体测量-光谱拟合的12个SB1系统提供了完整的轨道元素。
• 该方法表明，信息性先验（尤其是视差与光谱型估计的质量）在约束解空间和提升参数可识别性方面起着关键作用。