[论文解读] Simulation-Based Inference of Strong Gravitational Lensing Parameters

Ronan Legin, Yashar Hezaveh+2 more|arXiv (Cornell University)|Dec 10, 2021

Pulsars and Gravitational Waves Research被引用 4

一句话总结

该论文提出了一种基于模拟的推断框架，利用密度估计实现强引力透镜参数的精确、快速且校准良好的后验推断。通过将近似贝叶斯神经网络生成的压缩统计量作为输入，输入到混合密度网络中，该方法在无需超参数调优的情况下实现了校准良好的后验分布，从而实现了对数十万例透镜的高效后验估计。

ABSTRACT

In the coming years, a new generation of sky surveys, in particular, Euclid Space Telescope (2022), and the Rubin Observatory's Legacy Survey of Space and Time (LSST, 2023) will discover more than 200,000 new strong gravitational lenses, which represents an increase of more than two orders of magnitude compared to currently known sample sizes. Accurate and fast analysis of such large volumes of data under a statistical framework is therefore crucial for all sciences enabled by strong lensing. Here, we report on the application of simulation-based inference methods, in particular, density estimation techniques, to the predictions of the set of parameters of strong lensing systems from neural networks. This allows us to explicitly impose desired priors on lensing parameters, while guaranteeing convergence to the optimal posterior in the limit of perfect performance.

研究动机与目标

• 为大规模天空巡天时代中强透镜参数的精确、可扩展且具有不确定性量化的推断提供关键支持。
• 克服近似贝叶斯神经网络的局限性，后者缺乏显式的先验控制且存在不可量化的近似。
• 开发一种方法，在性能完美时可保证收敛至真实后验分布，同时允许显式指定先验。
• 在使用最少计算资源的情况下，实现对数万例透镜的高效后验估计。
• 提供一种对真实观测效应（如透镜星系的恒星光）具有鲁棒性的框架，通过在模拟中纳入这些效应来实现。

提出的方法

• 通过计算预测后验分布在透镜参数上的均值，从近似贝叶斯神经网络（BNNs）中提取压缩统计量。
• BNNs 使用变分推断结合丢弃（dropout）来建模不确定性，其中在网络权重上应用丢弃以近似后验分布。
• 训练混合密度网络（MDN）以建模在真实透镜参数给定下压缩统计量的似然，从而实现对后验的密度估计。
• MDN 学习从图像数据到透镜参数后验分布的完整映射，使用模拟的透镜图像及其真实参数作为训练数据。
• 通过覆盖率概率检验验证后验覆盖率，确保真实参数始终位于预测的可信区间内。
• 该方法计算效率高，使用单张 GPU 在约 20 分钟内即可完成对 10,000 个透镜的后验采样。

实验结果

研究问题

• RQ1 基于模拟的推断结合密度估计是否能在无需超参数调优的情况下，为强透镜参数提供校准良好的后验分布？
• RQ2 从贝叶斯神经网络中提取的压缩统计量是否可有效用于训练密度估计器，以恢复真实后验分布？
• RQ3 当用于压缩的 BNN 包含由丢弃引入的噪声时，该方法是否仍能保持准确性？
• RQ4 在存在真实观测效应（如透镜星系的恒星光）的情况下，该方法表现如何？
• RQ5 该框架是否可扩展以处理超出 Sersic 模型的复杂源形态？

主要发现

• 该方法在无需任何超参数调优的情况下实现了校准良好的后验覆盖率，表明不确定性量化可靠。
• 基于 MDN 的似然生成的后验样本显示出准确的覆盖率概率，证实了在理想条件下向真实后验的收敛性。
• 无论 MDN 是基于 BNN 压缩统计量（0% 或 20% 丢弃）进行训练，其性能均相当，表明对丢弃引入的噪声具有鲁棒性。
• 该框架可在单张 NVIDIA V100 GPU 上约 20 分钟内完成对 10,000 个透镜模拟的后验推断，展示了极高的计算效率。
• 通过在模拟流程中纳入真实世界复杂性（如前景恒星光），该方法可扩展至处理实际观测中的复杂效应，确保对观测伪影的鲁棒性。
• 未来将使用多维 Kolmogorov-Smirnov 检验进一步验证该方法在高维参数空间中生成统计有效后验的能力。