[论文解读] Lightning-Fast Gravitational Wave Parameter Inference through Neural Amortization

Arnaud Delaunoy, Antoine Wehenkel+5 more|arXiv (Cornell University)|Oct 24, 2020

Pulsars and Gravitational Waves Research参考文献 25被引用 21

一句话总结

本文提出一种基于卷积神经网络的神经近似方法，用于估计似然比与证据比，实现超高速的引力波参数推断——将计算时间从数天缩短至一分钟以内，同时保持可信区间的准确性。该方法在不牺牲统计可靠性的情况下，相比传统MCMC实现了高达1,000倍的速度提升。

ABSTRACT

Gravitational waves from compact binaries measured by the LIGO and Virgo detectors are routinely analyzed using Markov Chain Monte Carlo sampling algorithms. Because the evaluation of the likelihood function requires evaluating millions of waveform models that link between signal shapes and the source parameters, running Markov chains until convergence is typically expensive and requires days of computation. In this extended abstract, we provide a proof of concept that demonstrates how the latest advances in neural simulation-based inference can speed up the inference time by up to three orders of magnitude -- from days to minutes -- without impairing the performance. Our approach is based on a convolutional neural network modeling the likelihood-to-evidence ratio and entirely amortizes the computation of the posterior. We find that our model correctly estimates credible intervals for the parameters of simulated gravitational waves.

研究动机与目标

• 为解决引力波参数估计中的计算瓶颈问题，目前由于每次似然计算需进行数百万次波形评估，导致MCMC采样需数天时间。
• 利用深度学习开发一种快速、可扩展的MCMC替代方法，用于引力波天文学中的贝叶斯推断。
• 实现实时参数估计，这对于触发引力波事件的多信使后续观测至关重要。
• 通过评估可信区间的经验覆盖概率，验证神经后验近似的统计可靠性。

提出的方法

• 该方法采用卷积神经网络（CNN）直接建模似然比与证据比，用于在所有参数配置上实现后验推断的近似。
• 模型在包含100万个已知参数的模拟引力波信号的大型合成数据集上进行训练。
• 训练数据使用IMRPhenomPv2波形模型生成，信号截取为4秒，并以2048 Hz重采样，生成两个探测器的8192×2强度时间序列。
• 通过监督学习优化模型，直接从数据预测后验分布，避免迭代式MCMC采样。
• 从神经模型输出估计后验可信区间，并通过经验覆盖概率评估其校准性。

实验结果

研究问题

• RQ1 通过似然比到证据比估计的神经近似能否在保持精度的同时，实现比MCMC快1,000倍的参数推断速度？
• RQ2 神经模型估计的可信区间与真实后验覆盖概率的匹配程度如何？
• RQ3 在真实的多探测器场景下，该方法能否可靠地推断关键参数（如质量、自旋、距离和天球位置）？
• RQ4 该神经后验近似在各种信号类型下是否具有统计有效性且校准良好？

主要发现

• 神经方法的推断时间低于一分钟，而MCMC需超过一天，速度提升达三个数量级。
• 该方法生成的可信区间校准良好，经验覆盖概率接近名义水平——例如，50%可信区间为51.8%，90%可信区间为90.2%。
• 模型表现出轻微的保守性，经验覆盖略高于名义水平，表明可信区间虽偏保守但可靠。
• 该方法在模拟信号上高精度地恢复了本征参数与外部参数，如质量、自旋、光度距离和天球位置。
• 在GW150914类似信号上，该方法与MCMC结果保持一致，证实了在实现巨大速度提升的同时仍具备高精度。