[论文解读] Strong-lensing source reconstruction with variationally optimised Gaussian processes

Konstantin Karchev, Adam Coogan+1 more|arXiv (Cornell University)|May 20, 2021

Gaussian Processes and Bayesian Inference参考文献 3被引用 4

一句话总结

该论文提出了一种基于变分推断与高斯过程的可微分、GPU加速的贝叶斯强引力透镜成像流程，用于重建高保真度源图像并推断透镜参数。该方法在不到一小时内实现无偏、噪声受限的重建结果，并实现高精度的不确定性量化，从而可实现大规模训练数据生成，用于暗物质研究中的亚结构推断。

ABSTRACT

Strong-lensing images provide a wealth of information both about the magnified source and about the dark matter distribution in the lens. Precision analyses of these images can be used to constrain the nature of dark matter. However, this requires high-fidelity image reconstructions and careful treatment of the uncertainties of both lens mass distribution and source light, which are typically difficult to quantify. In anticipation of future high-resolution datasets, in this work we leverage a range of recent developments in machine learning to develop a new Bayesian strong-lensing image analysis pipeline. Its highlights are: (A) a fast, GPU-enabled, end-to-end differentiable strong-lensing image simulator; (B) a new, statistically principled source model based on a computationally highly efficient approximation to Gaussian processes that also takes into account pixellation; and (C) a scalable variational inference framework that enables simultaneously deriving posteriors for tens of thousands of lens and source parameters and optimising hyperparameters via stochastic gradient descent. Besides efficient and accurate parameter estimation and lens model uncertainty quantification, the main aim of the pipeline is the generation of training data for targeted simulation-based inference of dark matter substructure, which we will exploit in a companion paper.

研究动机与目标

• 开发一种与现代深度学习框架兼容的快速、可微分强引力透镜图像模拟器。
• 利用具有自适应尺度选择的分层高斯过程，构建统计上合理且计算高效的源模型。
• 通过随机梯度变分推断，在数万个透镜与源参数上实现可扩展的贝叶斯推断。
• 在后续工作中，生成高保真度、逼真的训练数据，用于模拟基推理的暗物质亚结构研究。
• 在最小偏差和高分辨率下，量化透镜质量分布与源光的不确定性。

提出的方法

• 使用PyTorch和KeOps实现完全可微分、GPU加速的强引力透镜图像模拟器，以高效执行线性代数运算。
• 引入多层、变分优化的高斯过程核函数，同时建模源平面上的多个空间尺度。
• 采用固定与自适应的诱导点：固定网格用于大尺度结构，可移动诱导点用于精细细节，从而降低参数相关性。
• 应用带结构化提议后验的随机梯度变分推断（SVI），以捕捉透镜-源相关性，实现可扩展的后验近似。
• 通过随机梯度下降优化超参数，以证据下界（ELBO）作为联合参数与超参数学习的目标函数。
• 将像素化效应直接整合到GP模型中，确保与观测图像分辨率和噪声的物理一致性。

实验结果

研究问题

• RQ1 可微分、端到端的强引力透镜模拟器是否能实现复杂透镜系统的快速且准确的贝叶斯推断？
• RQ2 分层高斯过程模型在存在噪声的情况下，能否实现高分辨率源图像的重建并有效量化不确定性？
• RQ3 GP层配置与诱导点布局的选择在多大程度上影响重建保真度与参数推断？
• RQ4 采用结构化提议后验的变分推断能否为透镜与源参数提供保守且无偏的后验估计？
• RQ5 该流程在多大程度上能有效生成逼真、高保真度的训练数据，以支持未来暗物质亚结构的模拟基推理？

主要发现

• 该流程在高分辨率模拟观测数据上实现了噪声受限的源图像重建，残差达到噪声水平。
• 透镜参数估计无偏，其精度仅受观测分辨率限制。
• 该方法对GP层配置具有鲁棒性：增加大量小尺度层对残差的影响微乎其微。
• 超参数优化能有效抑制高频GP分量带来的噪声，防止过拟合。
• 源参数的变分后验不确定性保守可靠，已在一维测试中通过解析与数值方法验证。
• 运行时间与模型复杂度呈线性关系，可在数小时内实现完全收敛，现代GPU硬件上约10分钟内即可获得合理后验分布。