[论文解读] Semi-parametric $γ$-ray modeling with Gaussian processes and variational inference

Siddharth Mishra-Sharma, K. Cranmer|arXiv (Cornell University)|Oct 20, 2020

Gaussian Processes and Bayesian Inference被引用 4

一句话总结

本文提出了一种半参数贝叶斯框架，利用高斯过程与变分推断来建模银河系弥散伽马射线发射中的不确定性，通过灵活捕捉背景模板中的大尺度失配，而无需依赖固定参数形式，显著提高了检测暗物质信号（尤其是银心过量）的鲁棒性。

ABSTRACT

Mismodeling the uncertain, diffuse emission of Galactic origin can seriously bias the characterization of astrophysical gamma-ray data, particularly in the region of the Inner Milky Way where such emission can make up over 80% of the photon counts observed at ~GeV energies. We introduce a novel class of methods that use Gaussian processes and variational inference to build flexible background and signal models for gamma-ray analyses with the goal of enabling a more robust interpretation of the make-up of the gamma-ray sky, particularly focusing on characterizing potential signals of dark matter in the Galactic Center with data from the Fermi telescope.

研究动机与目标

• 解决费米-LAT伽马射线分析中弥散银河系背景失配建模的长期挑战，该问题可能会影响天体物理信号的解释。
• 通过考虑弥散发射模板中的认知不确定性，提高暗物质搜寻的鲁棒性，特别是针对银心过量。
• 开发一种灵活、数据驱动的方法，用于建模弥散发射中的残余失配，而无需假设固定参数形式。
• 通过纳入弥散背景大尺度结构的不确定性，实现对银心过量本质的更可靠统计推断。

提出的方法

• 将高斯过程（GPs）用作弥散发射模板空间幅度的非参数先验，以建模标准物理模型未能捕捉的残余失配。
• 使用马尔钦核（Matérn kernel）定义GP协方差函数，从而控制推断背景修正的平滑性与灵活性。
• 应用变分推断来近似不可计算的后验分布，涵盖GP隐函数与模板归一化参数，实现在大HEALPix图上的可扩展推断。
• 将GP先验整合到泊松似然框架中，用于像素级计数数据，实现信号与背景组分的联合推断。
• 使用200个诱导点（inducing points）与随机子采样（1500个像素）加速训练，采用Adam优化器进行50,000次迭代。
• 在已知真实弥散模型（Model O）与基准模型（p6v11）之间存在失配的模拟数据上训练模型，并通过后验预测检查验证性能。

实验结果

研究问题

• RQ1 高斯过程能否在不假设固定参数形式的前提下，有效建模银河系弥散伽马射线发射中的大尺度失配？
• RQ2 变分推断在高维伽马射线数据（如HEALPix图）上能否实现可扩展性，同时保持背景不确定性量化精度？
• RQ3 在系统性弥散发射误差存在的情况下，基于GP的方法在恢复真实信号与背景模板归一化方面能有多大的改进？
• RQ4 该方法能否通过减少与背景相关的偏差，稳健地区分银心过量的暗物质样与点源样起源？
• RQ5 将GPs作为灵活校正项引入后，对半参数伽马射线分析中天体物理参数的后验推断有何影响？

主要发现

• GP模型成功捕捉了真实弥散发射（Model O）与基准模型（p6v11）之间的大尺度残余失配，后验预测分布紧密跟踪了真实的乘法失配。
• 推断的GP图中位数准确恢复了弥散发射误差的空间结构，尤其在银心附近，该区域失配影响最大。
• 模板归一化参数的后验预测样本与真实值高度一致，表明即使在模型不确定性下，背景幅度的推断也极为准确。
• 该方法仅使用1500个子采样像素与200个诱导点，即实现可靠推断，证明其可扩展至包含50,000次训练迭代的全天空HEALPix图。
• 该框架通过减少弥散背景失配带来的偏差，实现了对银心过量的稳健表征，这是先前分析中的关键限制。
• 该方法可扩展至非泊松似然模型，并可集成到未来伽马射线数据分析的机器学习流水线中。