High-precision Monte-Carlo modelling of galaxy distribution
我们重新审视的情况下，快速蒙特卡罗模拟的星系位置的非高斯场。更确切地说，我们解决的问题，产生一个三维场与给定的一点函数（作为对数正态函数，但不仅如此）和宇宙学固定的一些功率谱。我们强调和调查的问题，发生时，该字段被过滤，并确定，对数正态分布的情况下，它仍然可以使用的制度。然而，我们表明，过滤是不必要的，如果考虑到混叠效应和精细控制的离散采样步骤。通过这种方式，我们证明了我们所有频谱的次百分比精度，直到奈奎斯特频率。我们扩展的方法来产生一个完整的光锥进化比较两种方法，这样做，并验证我们的方法与层析分析。我们调查分析和数值的协方差矩阵的结构，得到这样的模拟，这可能是有用的，为未来的大和深的调查。
2019-06-21 astro-ph.CO
Diffusion-HMC: Parameter Inference with Diffusion-model-driven Hamiltonian Monte Carlo
Harvard University（哈佛大学）；Harvard-Smithsonian Center for Astrophysics（哈佛-史密森尼天体物理中心）；Massachusetts Institute of Technology（麻省理工学院）
本研究提出Diffusion-HMC方法，利用单个扩散生成模型作为宇宙学场仿真器及参数推断器，结合哈密顿蒙特卡洛采样后验，实现对宇宙学参数的稳健约束。
2025-02-25 astro-ph.CO cs.LG
Constraints on the generalized Chaplygin gas model including gamma-ray bursts via a Markov Chain Monte Carlo approach
本文研究了广义Chaubergin气体（GCG）模型的观测约束，包括直接从Union 2 Ia型超新星（SNe Ia）集合获得的高红移伽马射线暴。利用Markov Chain Monte Carlo方法，用与宇宙学无关的GRB、Union 2集合、Wilkinson微波各向异性探测器（WMAP 7）观测到的宇宙微波背景（CMB）和Sloan数字巡天（SDSS）光谱数据Release 7（DR 7）星系样本观测到的重子声振荡（BAO）对GCG模型进行了约束. GCG模型参数的最佳拟合值为$A_S$ = $0.7475_{-0.0539}^{+0.0556}(1σ)_{-0.0816}^{+0.0794}(2σ)$，$α$ = $-0.0256_{-0.1326}^{+0.1760}(1σ)_{-0.1907}^{+0.2730}(2σ)$和有效物质密度$Ω_{m}=0.2629_{-0.0153}^{+0.0155}(1σ)_{-0.0223}^{+0.0236}(2σ)$，这比以前的结果对GCG模型参数的约束更加严格.
2011-06-01 astro-ph.CO
Hamiltonian Monte Carlo reconstruction from peculiar velocities
在贝叶斯框架内，通过哈密顿蒙特卡罗（HMC）采样的方法，解决了从特殊的速度调查的大规模密度和速度场的重建问题。局部环境（Hamlet）算法的HAmiltonian蒙特卡罗重建的目的是重建线性大尺度密度和速度场，结合撤销的对数正态偏差的导出的距离和速度的奇特的速度调查，如Cosmicflows数据。Hamlet代码已经过测试，对Cosmicflows模拟目录组成的多达30 000个数据点与模拟错误类似的Cosmicflows-3数据，在宇宙学的LCDM标准模型的框架内。哈姆雷特代码优于以前的应用程序的吉布斯采样MCMC重建从Cosmicflows-3数据的两到四个数量级的CPU时间。性能的提高是由于HMC算法固有的更高效率，以及GPU而不是CPU上的并行计算。这一增益将使在重建的大尺度结构从即将到来的宇宙流4数据和宇宙学高分辨率模拟的约束初始条件的设置增加。
2022-03-04 astro-ph.CO
Approximating non-Gaussian Bayesian partitions with normalising flows: statistics, inference and application to cosmology
本文利用归一化流简化贝叶斯推断中的MCMC采样，计算非高斯分布的划分函数并求后验解析式，应用于宇宙学参数推断，基于超新星数据估计物质密度和暗能量参数。
2025-04-22 astro-ph.CO astro-ph.IM
pocoMC: A Python package for accelerated Bayesian inference in astronomy and cosmology
pocoMC是一个Python包，用于加速天文学和宇宙学中的贝叶斯推断。该代码被设计为从具有非平凡几何形状的后验分布中有效地采样，包括强多模态和非线性。为此，pocoMC依赖于预处理蒙特卡罗算法，该算法利用归一化流来解相关后验参数。它有利于参数估计和模型比较的任务，特别是在计算昂贵的应用程序的重点。它允许在Python中拟合定义为对数似然函数和对数先验概率密度函数的任意模型。与流行的替代方案（如嵌套采样）相比，pocoMC可以加快采样过程的数量级，大大降低计算成本。最后，计算集群的并行化体现了线性缩放。
2022-07-12 astro-ph.CO astro-ph.IM physics.comp-ph
A Way Forward for Cosmic Shear: Monte-Carlo Control Loops
由大尺度结构或“宇宙剪切”引起的弱透镜效应是一种潜在的强有力的宇宙学探索，可以为暗物质、暗能量和修正引力提供新的线索。它是基于大尺度结构通过引力透镜对观测到的遥远星系形状产生的微弱扭曲。虽然这种纯引力效应的潜力很大，但由于这种微弱效应的测量很困难，并且受到系统学效应的限制，因此这种技术的结果受到阻碍。特别是，一个苛刻的步骤是从宽视场CCD图像的星系弱透镜剪切的测量。我们描述了这个问题的起源，并提出了一个宇宙剪切前进的道路。我们提出的方法是基于蒙特卡罗控制回路，并借鉴了粒子物理和工程中广泛使用的方法。我们描述了控制回路方案，并展示了它如何提供一个校准方法的基础上调整到重现一个特定的宇宙剪切数据集的统计特性的快速图像模拟。通过一系列的迭代循环和诊断测试，蒙特卡罗图像模拟的建模输入参数的扰动，从而系统的影响是强大的。我们将讨论这种方法如何使问题易于处理，并充分释放宇宙学的宇宙剪切潜力。
2014-03-10 astro-ph.CO
Bayesian Model Selection with an Application to Cosmology
本文通过贝叶斯方法比较了三种宇宙学模型，发现wCDM在预测性能上优于ΛCDM和CPL模型。
2025-12-11 astro-ph.CO stat.AP stat.ME
Euclid-era cosmology for everyone: Neural net assisted MCMC sampling for the joint 3x2 likelihood
我们开发了一种完全非侵入性的机器学习方法，以便对欧几里得大小的数据集进行开放式研究。我们的算法完全控制理论和数据分析，不像机器学习的许多黑箱使用。集中在一个'3x2分析'，结合宇宙剪切，星系集群和切向剪切在一个欧几里得像天空覆盖，我们安排了348000个数据点到数据矩阵的结构不仅允许一个简单的预测神经网络，但它还允许从数据中的模式，神经网络不能'理解'的基本删除。后者提供了一种经常缺乏的机制来控制和消除物理推理的偏见。我们神经网络训练的理论基础可以是任何传统的（确定性的）理论代码，我们选择了CLASS。经过训练后，我们推断的七个参数的$w$ CDM宇宙学的Monte Carlo马尔可夫抽样后验在一天之内在欧氏精度。我们公开提供的神经网络，记忆和输出所有的3x2功率谱在一个欧几里德一样的天空覆盖和红移binning。
2019-11-20 astro-ph.CO astro-ph.GA
Steve: A hierarchical Bayesian model for Supernova Cosmology
我们提出了一个新的贝叶斯层次模型（BHM）命名为史蒂夫进行Ia型超新星（SNIa）宇宙学拟合。这包括一个改进的Malmquist偏差的治疗，占系统的不确定性的额外来源，并提高数值效率，包括以前的工作。鉴于光曲线拟合参数，红移，和主机星系的质量，我们适合史蒂夫同时描述宇宙学，SNIa人口，系统的不确定性的参数。选择效应的特点是使用蒙特卡罗模拟。我们通过拟合SNIa数据集的实现来演示其实现，其中SNIa模型紧密遵循Steve中使用的模型。接下来，我们验证更现实的SNANA模拟SNIa样本的暗能量调查和低红移调查。这些模拟数据集包含超过$60\,000$ SNeIa，我们使用它来评估宇宙学参数的恢复偏差，特别是暗能量状态方程，$w$。这是应用于SNIa宇宙学拟合的BHM方法的最严格的测试，并且揭示了依赖于模拟SNIa性质的小$w$偏差，特别是内在SNIa散射模型。该$w$ -偏差平均小于$0.03$，小于$w$统计不确定性的一半。这些模拟测试结果是BHM宇宙学拟合在即将到来的大型调查中的应用的关注点，因此未来的开发将集中在最大限度地减少Steve对SNIa固有散射模型的敏感性上。
2019-05-01 astro-ph.CO
Accounting for Selection Effects in Supernova Cosmology with Simulation-Based Inference and Hierarchical Bayesian Modelling
本文提出利用归一化流从模拟中学习超新星观测似然，结合分层贝叶斯模型与哈密顿蒙特卡洛采样，以校正马尔姆奎斯特偏差并约束宇宙学参数，验证结果与解析后验一致。
2024-07-22 astro-ph.CO astro-ph.IM
Bayesian Model Averaging in Astrophysics: A Review
我们回顾了贝叶斯模型平均在天体物理学中的应用。我们首先介绍贝叶斯模型选择和模型平均的统计基础。我们讨论了计算模型平均后验的方法，包括马尔可夫链蒙特卡罗（MCMC），嵌套抽样，人口蒙特卡罗和可逆跳跃MCMC。然后回顾了贝叶斯模型平均在天体物理学中的一些应用，包括宇宙学中暗能量和原初功率谱参数的测量，星系团弱透镜和Sunyaev-Zel'dovich效应数据，造父变星距离的估计，以及变星的分类。
2013-02-07 astro-ph.CO astro-ph.IM
Information gains from Monte Carlo Markov Chains
在本文中，我们提出了一种新的方法来计算的相对熵以及预期的相对熵使用MCMC链。信息论中的相对熵可以用来量化一对实验的后验分布的差异。在宇宙学中，相对熵已被提出作为模型选择、实验设计、预测和测量后续实验的信息增益的有趣工具。与高斯分布相反，这些量通常不能通过分析获得，需要使用数值方法来估计它们，这在计算上肯定是昂贵的。我们提出了一种方法，并提供其Python包估计的相对熵以及预期的相对熵从后验样本。我们考虑线性高斯模型来检查我们代码的准确性。我们的结果表明，在线性高斯模型中，当样本容量大于$10^5$时，相对误差小于$0.2\%$。此外，我们研究了我们的代码在估计预期的相对熵在这个模型中的鲁棒性。
2019-04-26 astro-ph.CO hep-ex
Bayesian Methods in Cosmology
这些笔记旨在概述贝叶斯统计，基本概念和应用方法，这对天文学家寻求分析和解释有关宇宙的各种数据是有用的。该级别从基本概念开始，不假设任何统计方法的先前知识，然后进展到更高级的研究级主题。在介绍了统计推断对物理科学的重要性之后，介绍并解释了概率论和推断的基本概念。贝叶斯方法，然后提出，从贝叶斯定理的意义和它的使用作为推理引擎，包括先验和后验分布的讨论。然后涵盖了从任意后验生成样本的数值方法（包括马尔可夫链蒙特卡罗和嵌套采样）。最后一节涉及贝叶斯模型选择的主题，以及如何使用它来评估模型的性能，并将其与经典的p值方法进行对比。一系列不同难度的练习旨在加深对理论材料的理解，包括对其中大多数问题的充分解决方案。
2017-01-05 astro-ph.CO astro-ph.IM stat.ME
Approximate Bayesian Computation for Forward Modeling in Cosmology
贝叶斯推断常用于宇宙学和天体物理学中，以从观测中推导出对模型参数的约束。这种方法依赖于在给定模型参数选择的情况下计算数据的可能性的能力。然而，在许多实际情况下，由于非高斯误差、非线性测量过程或复杂的数据格式（如星表和地图），似然函数可能不可用或难以处理。在这些情况下，模拟数据集的模拟通常可以通过正向建模来进行。我们讨论了如何近似贝叶斯计算（ABC）可以在这些情况下，使用模拟数据集来获得近似的后验约束。该技术依赖于参数集的采样、量化观察和模拟之间的差异的距离度量以及压缩数据中的信息的汇总统计。我们首先回顾ABC的原则，并讨论其实施使用人口蒙特卡罗（PMC）算法和马氏距离度量。我们使用高斯玩具模型来测试实现的性能。然后，我们应用ABC技术的实际情况下，宽场宇宙学调查的图像模拟的校准。我们发现，ABC分析是能够提供可靠的参数约束这个问题，因此是一个很有前途的技术，在宇宙学和天体物理学的其他应用。我们的ABC PMC方法的实现通过公共代码发布提供。
2015-09-04 astro-ph.CO astro-ph.IM stat.CO
Marginal Likelihoods from Monte Carlo Markov Chains
在本文中，我们提出了一种方法来计算边际似然，也被称为模型似然或贝叶斯证据，从马尔可夫链蒙特卡罗（MCMC），或其他采样后验分布。为了做到这一点，需要能够估计参数空间中的点的密度，这在高维数中可能具有挑战性。在这里，我们提出了一个贝叶斯分析，我们获得后验的边际似然，使用$k$ th最近邻距离参数空间中，使用马氏距离度量，假设链中的点（如果需要的话变薄）是独立的。我们推广的算法适用于重要性采样链，其中每个点被分配一个权重。我们说明了这与一个理想化的后已知形式的分析边际似然，并表明，链长度$\sim 10^5$点，该技术是有效的参数空间与高达$\sim 20$尺寸。我们还认为，$k=1$是最佳的选择，并讨论了故障模式的算法。在一篇配套论文（Heavens et al. 2017）中，我们将该技术应用于2015年普朗克宇宙背景辐射数据分析的主要MCMC链，以定量地推断最简单的6参数平坦$Λ$ CDM宇宙学标准模型优于所有考虑的扩展。
2017-04-11 astro-ph.CO stat.CO
OLÉ -- Online Learning Emulation in Cosmology
本文提出OLÉ，一种基于高斯过程和主成分分析的在线学习模拟器，用于宇宙学推断，通过自动误差估计和即时训练数据，实现30-350倍效率提升，且可微分，结合candl库可再提速4倍，兼容主流采样器和求解器。
2025-10-10 astro-ph.CO astro-ph.IM
A Differentiable, End-to-End Forward Model for 21 cm Cosmology: Estimating the Foreground, Instrument, and Signal Joint Posterior
提出一种可微端到端贝叶斯正向建模框架，用于低频射电望远镜21厘米信号与前景和仪器参数的联合后验估计，通过高效采样实现不确定性量化，并引入新的球面条谐形式。
2025-07-14 astro-ph.CO astro-ph.IM
Procoli: Profiles of cosmological likelihoods
本文提出可获取宇宙学轮廓似然的开源软件包 Procoli，集成 MontePython 与 CLASS，采用模拟退火和顺序计算，并以早期暗能量模型验证其优化与分解实验贡献的能力。
2024-01-25 astro-ph.CO
Fast and Credible Likelihood-Free Cosmology with Truncated Marginal Neural Ratio Estimation
University of Amsterdam（阿姆斯特丹大学）；SURF Cooperative（SURF合作组织）；Leiden University（莱顿大学）；Netherlands eScience Center（荷兰电子科学中心）
基于采样的推理技术是现代宇宙学数据分析的核心;然而，这些方法的维度比例很差，通常需要近似或难以处理的可能性。在本文中，我们描述了如何截断边缘神经比率估计（TMNRE）（一种新的方法，在所谓的基于模拟的推理）自然地回避这些问题，提高$(i)$的效率，$(ii)$的可扩展性，和$(iii)$可信度的推断后验。使用测量的宇宙微波背景（CMB），我们表明，TMNRE可以实现收敛后验使用数量级更少的模拟器调用比传统的马尔可夫链蒙特卡罗（MCMC）方法。值得注意的是，所需的样本数量实际上与干扰参数的数量无关。此外，一个名为\emph{local amortization}的属性允许执行严格的统计一致性检查，这是基于采样的方法无法访问的。TMNRE有望成为宇宙学数据分析的有力工具，特别是在扩展宇宙学的背景下，传统的基于采样的推理方法收敛所需的时间尺度可以大大超过简单的宇宙学模型，如$Λ$ CDM。为了执行这些计算，我们通过开源代码\texttt{swyft}使用TMNRE的实现。
2022-11-08 astro-ph.CO astro-ph.IM cs.LG
Cosmological parameter inference with Bayesian statistics
贝叶斯统计和马尔可夫链蒙特卡罗（MCMC）算法已经在宇宙学领域找到了自己的位置。它们已经成为重要的数学和数值工具，特别是在参数估计和模型比较中。在本文中，我们回顾了一些基本概念，了解贝叶斯统计，然后介绍MCMC算法和采样器，使我们能够执行参数推断过程。我们还介绍了一个标准的宇宙学模型，称为$Λ$ CDM模型的一般描述，以及几个替代方案，和当前的数据集来自天体物理学和宇宙学观测。最后，利用所获得的工具，我们使用在python中实现的MCMC算法来测试几个宇宙学模型，并找出最能描述宇宙的参数组合。
2021-07-01 astro-ph.CO
Geometric Distances of Quasars Measured by Spectroastrometry and Reverberation Mapping:Monte Carlo Simulations
最近，甚大望远镜干涉仪（VLTI）上的重力首次以前所未有的$\sim 10μ$分辨率空间解析了类星体3C 273的结构。通过对类星体宽线区（BLR）的光谱测量（SA）和混响成像（RM）观测的联合分析，成功地将一种新的视差距离测量方法应用于类星体。这种SA和RM（SARM）测量的不确定度约为实际数据的$16\%$，显示出其作为精密宇宙学的强大工具的巨大潜力。本文通过对模拟数据的详细分析，研究了SA观测数据质量对距离测量的影响，建立了距离的统计不确定度与差分相位相对误差之间的定量关系。我们采用一个圆盘模型的BLR的SARM分析。我们发现，SARM分析的意见一般产生可靠的类星体距离，即使是相对较差的SA测量误差棒的$40\%$在峰值的相位。超视距雷达的倾角和张开角是决定距离不确定性的主要参数。从SARM分析中发现，具有倾角$\gtrsim 10^{\circ}$和张开角$\lesssim 40^{\circ}$的BLR是距离测量的最可靠的区域。通过分析类星体光度函数产生的活动星系的模拟样本，我们发现，如果重力/重力+可以实现一个相位误差$0.1^{\circ}$每基线的目标与幅度$K \lesssim 11.5$，SARM活动可以约束$H_0$的不确定性$2\%$通过观察$60$目标。
2021-02-27 astro-ph.CO astro-ph.GA
Tracking the Multifield Dynamics with Cosmological Data: A Monte Carlo approach
本研究提出一种用于多场暴胀模型研究的蒙特卡洛数值方法，包含场方程求解、对接玻尔兹曼代码计算宇宙学演化、高效参数空间采样三部分，可结合观测约束模型参数，为多场暴胀研究提供稳健框架。
2023-12-13 astro-ph.CO gr-qc hep-ph
Partition function approach to non-Gaussian likelihoods: Formalism and expansions for weakly non-Gaussian cosmological inference
本文提出将正则配分函数构建为贝叶斯证据的拉普拉斯变换，通过微分对数配分函数计算后验累积量以处理宇宙学中的非高斯似然，并验证了其与DALI展开、Hamilton Monte-Carlo及Cramér-Rao界限的联系。
2022-12-06 astro-ph.CO physics.data-an
Partition function approach to non-Gaussian likelihoods: physically motivated convergence criteria for Markov-chains
本文类比统计哈密顿系统，提出维里化、均分和热化等物理动机收敛准则，用于评估Metropolis-Hastings算法在非高斯似然中的收敛性，并借助物理信息神经网络加速采样。
2023-05-11 astro-ph.CO astro-ph.IM physics.data-an
