[论文解读] Targeted Likelihood-Free Inference of Dark Matter Substructure in Strongly-Lensed Galaxies

Adam Coogan, Konstantin Karchev+1 more|arXiv (Cornell University)|Oct 14, 2020

Gaussian Processes and Bayesian Inference参考文献 26被引用 11

一句话总结

本文提出了一种针对强引力透镜星系中暗物质亚结构检测的靶向似然无关推理流程，结合了混合机器学习与贝叶斯方法。通过融合可微概率编程、基于高斯过程的变分推断以及神经似然比估计，该方法实现了快速、带有不确定性感知的源和透镜参数重建，并能高效地对亚结构进行积分，仅使用10,000个训练样本，在单张GPU上即可在三小时内实现准确的亚核质量与位置推断。

ABSTRACT

The analysis of optical images of galaxy-galaxy strong gravitational lensing systems can provide important information about the distribution of dark matter at small scales. However, the modeling and statistical analysis of these images is extraordinarily complex, bringing together source image and main lens reconstruction, hyper-parameter optimization, and the marginalization over small-scale structure realizations. We present here a new analysis pipeline that tackles these diverse challenges by bringing together many recent machine learning developments in one coherent approach, including variational inference, Gaussian processes, differentiable probabilistic programming, and neural likelihood-to-evidence ratio estimation. Our pipeline enables: (a) fast reconstruction of the source image and lens mass distribution, (b) variational estimation of uncertainties, (c) efficient optimization of source regularization and other hyperparameters, and (d) marginalization over stochastic model components like the distribution of substructure. We present here preliminary results that demonstrate the validity of our approach.

研究动机与目标

• 为利用光学成像数据推断强引力透镜星系中小尺度暗物质亚结构提供解决方案。
• 克服在完整贝叶斯推断中对高维透镜与源参数进行积分所导致的计算不可行性。
• 通过受约束的后验采样减少数据需求，实现在单个透镜系统上高效、靶向的推断。
• 开发一个可扩展的框架，整合现代机器学习技术用于天体物理图像分析。
• 展示仅用极少训练数据和快速推断时间即可实现亚结构检测的可行性。

提出的方法

• 采用可微的变分推断框架，利用五层高斯过程模型对源面亮度进行近似，以估计源和透镜参数的后验分布。
• 对近似后验进行采样，生成与观测到的透镜图像高度相似的合成训练数据，仅聚焦于与目标观测一致的配置。
• 通过神经网络估计子结构参数（如亚核质量与位置）的边际后验分布，学习似然比与证据比，构建似然无关推理流程。
• 利用Pyro和PyTorch中的可微概率编程，实现对完整模型的端到端基于梯度的优化。
• 通过在生成的合成数据上训练卷积神经网络与全连接神经网络，预测亚核参数的后验分布，完成子结构推断。
• 该框架设计具有可扩展性，可轻松集成额外组件，如主透镜光、视线方向晕以及多个亚核。

实验结果

研究问题

• RQ1 靶向似然无关推理流程是否能在极少训练数据下实现强引力透镜星系中亚结构的准确推断？
• RQ2 可微概率编程与变分推断是否能实现在高维图像模型中快速、带有不确定性感知的源与透镜参数重建？
• RQ3 与标准似然无关方法相比，神经似然比估计在多大程度上可减少亚结构推断的数据需求？
• RQ4 当仅使用10,000个合成观测数据进行训练时，该方法在恢复真实亚核质量与位置方面表现如何？
• RQ5 该框架是否可扩展以包含主透镜光、视线方向晕等真实天体物理成分？

主要发现

• 该流程成功将源与透镜参数重建误差控制在真实值的0.1%–5%以内，生成的拟合图像与模拟观测高度一致。
• 亚核位置后验分布正确地将真实亚核位置包含在68%置信区域内，证明了定位的准确性。
• 亚核质量后验分布集中在真实质量约10⁹ M☉附近，尽管由于推断过程中的固有不确定性，分布有所展宽。
• 整个分析流程（包括源与透镜重建及亚结构推断）仅在单张Nvidia GTX TitanX GPU上运行数小时内完成。
• 仅使用10,000个训练样本，该方法即实现了可靠推断，与标准似然无关方法相比显著降低了数据需求。
• 该框架具有可扩展性，未来可轻松扩展以包含主透镜光、视线方向晕等额外天体物理成分。