[论文解读] SimSIMS: Simulation-based Supernova Ia Model Selection with thousands of latent variables

Konstantin Karchev, Roberto Trotta+1 more|arXiv (Cornell University)|Nov 27, 2023

Gamma-ray bursts and supernovae被引用 4

一句话总结

本文提出 SimSIMS，一种基于仿真的贝叶斯模型选择框架，利用神经网络比较具有超过 4,000 个潜变量的 Ia 型超新星模型。该方法在实践中体现了奥卡姆剃刀原则，支持单一尘埃律且无星等跃迁，后验奇偶比超过 100:1，同时不支持基于宿主星系质量的分裂尘埃律。

ABSTRACT

We present principled Bayesian model comparison through simulation-based neural classification applied to SN Ia analysis. We validate our approach on realistically simulated SN Ia light curve data, demonstrating its ability to recover posterior model probabilities while marginalizing over >4000 latent variables. The amortized nature of our technique allows us to explore the dependence of Bayes factors on the true parameters of simulated data, demonstrating Occam's razor for nested models. When applied to a sample of 86 low-redshift SNae Ia from the Carnegie Supernova Project, our method prefers a model with a single dust law and no magnitude step with host mass, disfavouring different dust laws for low- and high-mass hosts with odds in excess of 100:1.

研究动机与目标

• 为解决 Ia 型超新星中星等跃迁与宿主星系质量相关性的长期争议。
• 在包含宿主质量、尘埃性质和残差发散等超过 4,000 个潜变量的条件下，执行贝叶斯模型比较。
• 克服传统基于似然的方法在处理具有选择效应和非线性尘埃律的复杂高维层次模型时的局限性。
• 在真实模拟光曲线上的验证，并将该方法应用于卡内基超新星项目提供的低红移 Ia 型超新星光谱数据。
• 展示基于仿真的推断在未来的大型宇宙学分析中具备可扩展性和有原则的特性。

提出的方法

• 该方法采用基于归一化流的神经网络，实现基于神经网络的仿真推断（SBI），以近似模型参数的后验分布。
• 训练一个独立的神经网络，基于模拟数据对模型进行分类，从而实现在多个模型间高效计算贝叶斯因子。
• 该方法对所有潜变量（包括宿主恒星质量、尘埃律参数（R_V）、星等跃迁和残差发散）进行边缘化处理，无需显式计算似然函数。
• 通过模拟数据推导出的后验模型概率进行模型比较，使用已知真实参数的合成数据集进行验证。
• 该框架通过随机模拟器整合了真实的物理效应，如非线性尘埃律、选择效应和特殊速度不确定性。
• 该方法支持完整的贝叶斯推断，保证了频发覆盖性，并可探索模型对真实底层参数的依赖性。

实验结果

研究问题

• RQ1 Ia 型超新星亮度中是否存在与宿主星系恒星质量相关的星等跃迁？
• RQ2 是否需要为低质量和高质宿主星系分别设定不同的尘埃律，还是单一全局尘埃律已足够？
• RQ3 在奥卡姆剃刀原则的背景下，模型选择结果如何依赖于先验体积和复杂度？
• RQ4 基于仿真的推断能否在具有超过 4,000 个潜变量的高维模型中可靠地恢复后验模型概率？
• RQ5 残差发散和尘埃律的可变性如何影响星等跃迁的检测？

主要发现

• 采用单一全局尘埃律且无星等跃迁的模型，其后验概率为 45%，显著高于其先验概率 16.6%。
• 对低质量与高质量宿主星系采用分裂尘埃律的模型被强烈排除，后验奇偶比超过 100:1，与 Thorp & Mandel 及 Brout & Scolnic 的先前研究结果相反。
• 星等跃迁估计值为 ΔM ≈ -0.05，具有 2σ 显著性，与 TM22 分析结果一致。
• 残差发散 σ_res 估计值约为 0.2，高于 TM22 的 ≈0.1，原因在于包含了未建模效应（如特殊速度）。
• R_V 和 σ_R_V 的边缘后验分布与 TM22 一致，分裂尘埃模型被排除主要因其先验体积更大。
• 该方法成功体现了奥卡姆剃刀原则，表明当简单模型能充分解释数据时，其更受青睐。