[论文解读] CHASSIS - Inverse Modelling of Relaxed Dynamical Systems

Dalia Chakrabarty|ArXiv.org|May 15, 2009

Model Reduction and Neural Networks参考文献 1被引用 4

一句话总结

CHASSIS 是一种非参数贝叶斯算法，通过马尔可夫链蒙特卡洛（MCMC）优化，从稀疏且不完整的运动学数据中推断出弛豫天体系统的相空间概率密度函数 $f(\mathbf{w})$ 和引力势 $\Phi(\mathbf{x})$。结果表明，若未受总质量约束，假设 $f(E)$ 的各向同性会导致质量分布不一致；但引入外部质量测量可使不同相空间分布下的引力势恢复保持稳定。

ABSTRACT

The state of a non-relativistic gravitational dynamical system is known at any time $t$ if the dynamical rule, i.e. Newton's equations of motion, can be solved; this requires specification of the gravitational potential. The evolution of a bunch of phase space coordinates ${\bf w}$ is deterministic, though generally non-linear. We discuss the novel Bayesian non-parametric algorithm CHASSIS that gives phase space $pdf$ $f({\bf w})$ and potential $Φ({\bf x})$ of a relaxed gravitational system. CHASSIS is undemanding in terms of input requirements in that it is viable given incomplete, single-component velocity information of system members. Here ${\bf x}$ is the 3-D spatial coordinate and ${\bf w}={\bf x+v}$ where ${\bf v}$ is the 3-D velocity vector. CHASSIS works with a 2-integral $f=f(E, L)$ where energy $E=Φ+ v^2/2, \: v^2 = \sum_{i=1}^{3}{v_i^2}$ and the angular momentum is $L = |{\bf r} imes{\bf v}|$, where ${\bf r}$ is the spherical spatial vector. Also, we assume spherical symmetry. CHASSIS obtains the $f(\cdot)$ from which the kinematic data is most likely to have been drawn, in the best choice for $Φ(\cdot)$, using an MCMC optimiser (Metropolis-Hastings). The likelihood function ${\cal{L}}$ is defined in terms of the projections of $f(\cdot)$ into the space of observables and the maximum in ${\cal{L}}$ is sought by the optimiser.

研究动机与目标

• 开发一种稳健的非参数方法，从不完整、低维的运动学数据中推断弛豫动力系统相空间分布函数 $f(\mathbf{w})$ 和引力势 $\Phi(\mathbf{x})$。
• 解决在星系动力学建模中普遍假设相空间各向同性所导致的虚假解风险。
• 提供一种对样本大小变化具有鲁棒性的贝叶斯各向同性显著性检验，克服传统 p 值的局限性。
• 探究在输入数据存在各向异性的情况下，外部总质量约束是否能稳定推断出的引力势。
• 证明在各向同性假设下，来自不同星系组分的运动学样本可能产生不一致的质量分布，揭示标准质量测定方法的根本不稳定性。

提出的方法

• CHASSIS 采用贝叶斯非参数框架，从一维视线速度数据中推断 $f(\mathbf{w})$ 和 $\Phi(\mathbf{x})$，假设球对称性及两积分形式 $f(E,L)$。
• 使用 Metropolis-Hastings MCMC 算法最大化似然 $\mathcal{L}$，其定义为将推断出的 $f(\cdot)$ 投影到可观测相空间。
• 通过限制 $f = f(E)$ 强制实施各向同性假设，从而将相空间简化为一维自由度。
• 实施完全贝叶斯显著性检验（FBST）以评估各向同性的证据，通过在后验配置的切线集 $T$ 上进行数值积分计算证据值（ev）。
• 该检验首先在原假设 $H_0$ 下识别出最可能的各向同性配置 $\theta^*$，然后计算后验中似然高于 $\theta^*$ 的配置体积。
• 通过惩罚函数 $\alpha|M_c(R_E) - M_0|/(2\delta M_0)$ 将质量约束纳入似然函数，其中 $M_0 \approx 4.06 \times 10^{11} M_\odot$ 在 $R_E \approx 8.7$ kpc 范围内。

实验结果

研究问题

• RQ1 像 CHASSIS 这样的非参数贝叶斯算法能否可靠地从稀疏且不完整的运动学数据中推断出引力势和相空间分布？
• RQ2 当使用同一星系中不同运动学样本时，推断出的引力势对相空间各向同性假设的敏感性如何？
• RQ3 贝叶斯显著性检验（FBST）能否为非参数动力学模型中的各向同性检验提供一种对样本大小不敏感的、优于 p 值的稳健替代方法？
• RQ4 在基准半径内引入总质量的外部约束，是否能稳定不同输入相空间分布下的恢复引力势？
• RQ5 在未使用质量先验的情况下，玩具 $f(\cdot)$ 的选择（包括各向异性的形式）在在多大程度上影响推断出的 $\Phi(\cdot)$？

主要发现

• 当将各向同性假设应用于来自星系两个不同组分的运动学数据时，CHASSIS 推断出不同的引力势，表明同一星系无法被各向同性的 $f(E)$ 一致描述，揭示了方法论上的不稳定性。
• 通过 FBST 实现的贝叶斯各向同性检验成功量化了各向同性与否的证据，且对样本大小具有鲁棒性，避免了 p 值的缺陷。
• 在未施加总质量约束的情况下，不同输入相空间分布（高斯、Michie、WD）导致质量密度分布 $\rho(r)$ 不一致，与基准 $\Phi_{\text{test}}(r)$ 存在显著偏差。
• 当在 $R_E \approx 8.7$ kpc 内强制施加总质量约束 $M_0 \approx 4.06 \times 10^{11} M_\odot$ 时，所有输入 $f(\cdot)$ 形式（包括各向异性的）推断出的 $\rho(r)$ 分布趋于收敛。
• 质量约束的引入起到了有效先验的作用，稳定了解决方案，使得无论输入数据中假设的各向异性程度如何，都能一致地恢复 $\Phi(r)$。
• 该算法表明，外部质量信息可补偿 CHASSIS 中无信息先验的不足，即使在数据稀疏的情况下也能实现稳健推断。