Bayesian analysis of spatially distorted cosmic signals from Poissonian data
从星系计数重建物质密度场是当前文献中经常讨论的问题。两个主要的误差来源是星系计数产生的散粒噪声和对星系正确位置的不充分认识,这是由特殊的速度和红移测量的不确定性造成的。在这里,我们解决重建问题的泊松采样对数正态密度场的速度失真的贝叶斯方式通过最大后验方法。我们测试我们的算法在一个1D玩具的情况下,发现显着的改善相比,简单的数据反演。特别是,我们解决了以下问题:光度红移,编码掩模系统中的扩展源的映射,从红移空间星系分布的实空间重建和不同点扩散函数的数据的组合分析。
2010-06-15 astro-ph.CO astro-ph.IM
Comparing Approximate Bayesian Computation with the Poisson-Likelihood Method for Exoplanet Occurrence Rates
我们提出了开普勒系外行星的发生率推断近似贝叶斯计算(ABC)。通过使用与Bryson等人(2020)相同的行星目录,恒星样本以及完整性和可靠性的表征,我们能够提供ABC结果与流行的泊松似然方法得出的结果的第一次直接比较。对于行星的轨道周期在50和400天之间,半径在0.75和2.5 $R_{\oplus}$之间,我们发现一个综合的发生率$F_{0} = 0.596_{-0.099}^{+0.092}$行星每GK矮星。在对天体物理学误报和假警报进行可靠性校正后,我们发现了$F_{0} = 0.421_{-0.072}^{+0.086}$。我们的研究结果在Bryson等人(2020)的1 $σ$范围内一致,表明结果稳健且不依赖于方法。
2020-06-17 astro-ph.EP astro-ph.IM
Comparing the frequentist and Bayesian periodic signal detection: rates of statistical mistakes and sensitivity to priors
本研究通过蒙特卡洛模拟比较频率学派与贝叶斯的Lomb--Scargle周期图检测方法,发现二者检测效率相近,非均匀先验仅让贝叶斯方法多检测约1%信号,先验错配时频率学派更优,且贝叶斯因子需经假阳性校准。
2022-03-16 astro-ph.IM
Comparing cosmic web classifiers using information theory
我们引入了一个用于最佳选择分类器的决策方案,该分类器将宇宙网分割为不同的结构类型(空隙、片层、细丝和簇)。我们的框架,基于信息论,占不同类别的可能的应用程序的设计目标:(i)参数推断,(ii)模型选择,(iii)预测新的观测。作为一个例子,我们使用的网络类型在斯隆数字巡天的宇宙学地图,以评估分类T-web,DIVA和ORIGAMI的相对性能:(i)分析宇宙网络的形态,(ii)区分暗能量模型,(iii)预测星系的颜色。我们的研究证实了宇宙网络分析和信息论之间的数据支持的联系,并为下一代星系调查的分析程序的原则设计铺平了道路。我们已经公开了宇宙网络地图、星系目录和这项工作中使用的分析脚本。
2016-08-19 astro-ph.CO astro-ph.IM stat.AP
Cosmic Microwave Background Recovery: A Graph-Based Bayesian Convolutional Network Approach
Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室);Scientific Computing and Imaging Institute, University of Utah(犹他大学科学计算与影像研究所)
宇宙微波背景辐射(CMB)是了解宇宙起源和演化的重要信息来源。然而,对CMB的观测受到前景辐射的污染,模糊了CMB信号,降低了其约束宇宙学参数的效力。我们采用深度学习作为数据驱动的方法,从多频全天空地图中清除CMB。特别是,我们开发了一个基于图的贝叶斯卷积神经网络的基础上的U-Net架构,预测清洁CMB与像素的不确定性估计。我们展示了这种技术的潜力,现实的模拟数据的基础上,普朗克任务。我们表明,我们的模型准确地恢复清洁的CMB天空图和角功率谱,同时识别区域的不确定性。最后,我们讨论了当前的挑战和前进的道路部署我们的模型CMB恢复实际观察。
2023-02-24 astro-ph.CO astro-ph.IM cs.LG
Multi-messenger Astronomy: a Bayesian approach
在发现引力波和观测宇宙起源的中微子之后,我们进入了一个令人兴奋的新时代,宇宙射线、中微子、光子和引力波将同时用于研究宇宙中最高能量的现象。在这里,我们提出了一个完全贝叶斯方法的挑战,结合和比较现有的和即将到来的实验设施的测量财富。我们讨论的过程中,从理论的角度来看,并使用模拟,我们还证明了该方法的可行性,通过将使用不同的理论模型和不同的实验测量提供的信息。
2017-08-23 astro-ph.IM
On the Evidence for Cosmic Variation of the Fine Structure Constant (II): A Semi-Parametric Bayesian Model Selection Analysis of the Quasar Dataset
在本系列的第二篇论文中,我们扩展了我们的贝叶斯再分析的证据,为宇宙变化的精细结构常数的半参数建模制度。通过采用狄利克雷过程的混合物之前的基准类星体数据集的每个仪器子组中的无法解释的错误,我们走了一些路,从一个固定的分布形式的明显的主观性释放我们的模型选择过程。尽管无限维域的错误层次结构,我们能够证明一个递归计划的边际似然估计与先验灵敏度分析直接类似于在论文I中提出的,从而使我们的后验贝叶斯因素的鲁棒性超参数的选择和模型规格,很容易验证。在这项工作的过程中,我们阐明了天文学和临床荟萃分析的看似不同的领域不明原因的错误问题之间的各种相似之处,我们强调了一些复杂的技术来处理这些问题,在后者的过去的研究。我们希望本文所展示的半参数模型选择的新方法可以为其他人探索这类潜在困难的误差模型提供有用的参考。
2013-09-11 astro-ph.IM stat.AP
Iterative-Bayesian unfolding of isotopic cosmic-ray fluxes measured by AMS-02
宇宙射线(CR)同位素组成的测量为理解这些粒子的起源和传播提供了重要的见解,即CR源谱、传播过程和星系晕大小。阿尔法磁谱仪(AMS-02)是自2011年5月以来在国际空间站上运行的CR探测器,由于其飞行时间(TOF)和环形成像切伦科夫(RICH)探测器提供的速度精确测定,因此有能力进行这些测量。数据的正确解释需要从仪器效应中去卷积测量。AMS-02的独特设计,使用多个子探测器来测量相同的通量,需要一种新的方法来展开测量的通量。在这项工作中,我们描述了一个迭代贝叶斯展开方法应用在AMS-02同位素通量测量的背景下。该方法的准确性进行评估,使用模拟通量的基础上以前的测量和一个完整的检测器响应函数。我们引入了一个非参数正则化方法的检测器响应函数,以及一个单一的,光滑的前通量覆盖了整个范围的测量从两个检测器,TOF和丰富的。此外,估计的误差和讨论的方法的性能也显示,表明该方法是快速和可靠的,允许在全能量范围内的真通量的恢复。
2022-07-19 astro-ph.IM hep-ex
Bayesian non-linear large scale structure inference of the Sloan Digital Sky Survey data release 7
在这项工作中,我们提出了第一个非线性,非高斯全贝叶斯大尺度结构分析的宇宙密度场进行至今。密度推断是基于斯隆数字巡天数据发布7,其中包括北银河帽。我们采用了一种新的贝叶斯抽样算法,这使我们能够探索极高维的非高斯,非线性对数正态泊松后验的三维密度场的条件的数据。这些技术在HADES计算机算法中有效地实现,并允许精确恢复采样差的物体和非线性密度场。非线性密度推断是在一个750 Mpc立方体上进行的,网格分辨率约为3 Mpc,同时考虑到系统的影响,由测量几何形状和SDSS的选择功能,以及泊松散粒噪声贡献的正确处理。我们的高分辨率结果非常好地代表了宇宙密度场的宇宙网络结构。细丝、空隙和簇清晰可见。此外,我们还进行了一个动态的网页分类,并估计了网站类型的后验分布的SDSS数据的条件。
2009-11-12 astro-ph.CO astro-ph.IM
Bayesian analysis of cosmic structures
我们修改了分析宇宙学大尺度结构所需的贝叶斯推断步骤。在这里,我们特别强调由于星系和物质分布的非高斯特性而产生的复杂性。特别是,我们调查的泊松对数正态模型的优点和局限性,并讨论如何扩展这项工作。在对数正态先验下,使用哈密顿采样技术,在约4 h^{-1} Mpc的尺度上,我们发现过密区域得到了很好的重建,然而,欠密区域(空隙统计)的定量恢复很差。相反,最大后验(MAP)的解决方案,这被证明是高估的密度在欠密集的区域,我们得到较低的密度比在N体模拟。这是由于MAP解决方案是保守的,而完整的后验产生的样本与先验统计一致。对数正态先验无法捕捉到低于~ 10 h^{-1} Mpc尺度的完整非线性区域,因为需要高阶相关来描述物质统计。然而,我们确认,因为它是最近在Ly-alpha森林断层扫描的背景下,泊松对数正态模型提供了正确的两点统计(或功率谱)。
2011-12-02 astro-ph.CO astro-ph.IM
A Bayesian Calibration Framework for EDGES
我们开发了一个贝叶斯模型,联合约束接收机校准,前景和宇宙21厘米信号的EDGES全球21厘米实验。该模型同时描述了在实验室中采集的校准数据以及使用EDGES低波段天线采集的天空数据。我们将我们的模型应用于用于报告2018年第一颗恒星形成证据的相同数据(包括天空和校准)。我们发现,接收器校准不会对推断的宇宙信号产生显著的不确定性(<1%),尽管我们的联合模型能够更鲁棒地估计前景模型的宇宙信号,否则前景模型太不灵活,无法描述天空数据。我们确定存在一个显着的系统的校准数据,这在很大程度上是避免在我们的分析,但必须在未来的工作中更密切地检查。我们的可能性提供了一个基础,在未来的分析中,其他仪器系统,如光束校正和反射参数,可以添加在一个模块化的方式。
2022-09-07 astro-ph.CO astro-ph.IM
Multilevel Bayesian framework for modeling the production, propagation and detection of ultra-high energy cosmic rays
超高能宇宙射线(UHECR)是一种原子核,其能量超过人造粒子加速器可获得的能量的1000万倍。有证据表明它们来自相对较近的河外源,但源的性质尚不清楚。我们开发了一个多层次的贝叶斯框架评估关联的UHECRs和候选源人口,和马尔可夫链蒙特卡罗算法估计模型参数和比较模型的计算,通过Chib的方法,边际似然和贝叶斯因子。我们展示了框架,通过分析皮埃尔俄歇天文台(PAO)从2004年至2009年观察到的69 UHECR的测量,使用体积完整的目录17个本地活动星系核(AGN)出15 megaparsec作为候选源。PAO使用数据的早期部分(“周期1”,有14个事件)来设置能量截止,以最大化周期1中的各向异性; 69个测量包括这个“调谐”子集,以及随后的“未调谐”事件,其能量高于相同的截止。此外,测量误差进行了近似总结。这些因素对于专业会计组织数据的独立分析是有问题的。在“标准蜡烛”源模型的上下文中(即,与一个共同的各向同性发射率),并考虑只有55个未调谐的事件,有没有显着的证据支持关联的UHECR与本地AGN与各向同性背景。概率最高的关联是与两个最近的、相邻的活动星系核,半人马座A和NGC 4945。如果采用关联模型,则可能关联的UHECR的分数可能不为零,但远低于50%。我们的框架能够估计宇宙磁场偏转宇宙射线的角度尺度;相对适度的尺度$\approx\!3^{\circ}$到$30^{\ci…
2013-11-28 astro-ph.HE astro-ph.IM stat.AP
GPU-Accelerated Hierarchical Bayesian Inference with Application to Modeling Cosmic Populations: CUDAHM
我们描述了一个计算框架,分层贝叶斯推断与简单的(通常是单板)参数图形模型,使用图形处理单元(GPU),以加速计算,使部署在非常大的数据集。它的C++实现CUDAHM(CUDA for Hierarchical Models)利用了板实例之间的条件独立性,促进了使用GPU的单指令多数据架构对复制参数空间的大规模并行探索。它支持构建Metropolis-within-Gibbs采样器,该采样器在GPU加速的板级参数的鲁棒自适应Metropolis采样(以上层参数为条件)和Metropolis-Hastings采样(以主机处理器上的GPU结果为条件)之间进行切换。CUDAHM的动机是天文学中的人口问题,其中密度估计和线性和非线性回归问题必须解决数千至数百万对象的人口,其特征测量可能具有复杂的不确定性。我们描述了一个细化的潜在点过程框架,用于建模这样的人口统计数据。我们使用单个NVIDIA Tesla K40 c GPU在约1小时内演示了高达300,000个对象的模拟群体的精确GPU加速参数条件密度反卷积。补充材料提供了有关CUDAHM API和演示问题的详细信息。
2021-05-17 astro-ph.IM stat.CO
BONNSAI: a Bayesian tool for comparing stars with stellar evolution models
配备多纤维或积分场摄谱仪的强大望远镜,结合恒星大气的详细模型和自动拟合技术,可以分析大量恒星。这些数据集包含了丰富的信息,需要新的分析技术来弥合观测和恒星演化模型之间的差距。为此,我们开发BONNAI(波恩恒星天体物理学接口),贝叶斯统计方法,能够比较所有可用的观测值同时恒星模型,同时考虑到观察到的不确定性和先验知识,如初始质量函数和恒星旋转速度的分布考虑。BONSAI可用于(1)从复杂的数据集确定基本恒星参数的概率分布,如初始质量和恒星年龄,(2)预测尚未观测确定的恒星参数,(3)测试恒星模型,以进一步推进我们对恒星演化的理解。BONNSAI的一个重要方面是,它通过$χ^{2}$假设检验和后验预测检查选出恒星模型无法重现的恒星。BONNSAI可以与任何一组恒星模型一起使用,目前支持银河系和大麦哲伦云和小麦哲伦云组成的大质量主序星单星模型。我们将我们的新方法应用于模拟星,以展示其功能和能力。在第一个应用程序中,我们使用BONSAI测试恒星模型的布罗特等人。(2011年a)通过比较恒星年龄推断的主要和次要恒星的食银河系双星。年龄是由动力学质量和半径确定的,已知的好于3%。我们发现恒星模型很好地再现了银河系双星。BONSAI可通过http://www.astro.uni-bonn.de/stars/bonnsai的网络界面获得。
2014-08-14 astro-ph.IM astro-ph.SR
Parameters Estimation for the Cosmic Microwave Background with Bayesian Neural Networks
Romanian Institute of Science and Technology(罗马尼亚科学与技术研究院);FinNet
在本文中,我们提出了第一个研究,比较不同的模型贝叶斯神经网络(BNN)预测宇宙学参数的后验分布直接从宇宙微波背景温度和偏振图。我们重点分析了在训练过程中对网络权重进行采样的四种不同方法:Dropout、DropConnect、Reparameterization Trick(RT)和Flipout。我们发现,Flipout优于所有其他方法,无论使用的架构,并提供更严格的约束的宇宙学参数。此外,我们比较MCMC后验分析获得可比的参数之间的误差相关性,与BNN的数量级更快的推理,虽然不太准确。由于BNN推理过程的速度,后验分布,神经网络的结果,可以用作马尔可夫链的初始建议。我们表明,这种结合的方法增加了接受率的Metropolis-Hasting算法,并加快了MCMC的收敛,同时达到相同的最终精度。在本文的第二部分中,我们提出了一个指导的训练和校准一个成功的多通道BNN的CMB温度和偏振图。我们展示了如何调整Flipout和RT中权重的近似后验标准差的正则化参数,我们可以产生无偏和可靠的不确定性估计,即,正则化函数的作用就像一个超参数,类似于Dropout中的dropout率。最后,我们展示了如何极化,结合温度在一个独特的多通道张量馈送到一个单一的BNN,有助于打破参数之间的退化,并提供严格的约束。
2020-10-30 astro-ph.IM cs.LG
Strong lens modelling: comparing and combining Bayesian neural networks and parametric profile fitting
未来的大规模调查预计会有大量的强星系-星系引力透镜,这就需要开发自动化方法来有效地模拟它们的质量分布。为此,我们训练近似贝叶斯卷积神经网络(CNN)预测质量分布参数和相关的不确定性,并比较其准确性的范围内日益复杂的透镜系统的传统参数建模。这些包括标准的平滑参数密度分布,流体动力学EAGLE星系和包含前景质量结构,结合参数源和从哈勃超深场提取的源。此外,我们还提出了一种方法,结合CNN与传统的参数密度曲线拟合在一个自动化的方式,其中的CNN提供了后者的参数的初始先验。平均而言,CNN实现的错误19 $\pm$比传统方法的盲建模低22%。相反,组合方法实现了比盲建模低11%的27 $\pm$误差,当先验还包含CNN预测的不确定性时,进一步降低到11%的37 $\pm$误差,误差也比CNN本身低21%。虽然CNN无疑是最快的建模方法,但两者的结合分别在有和没有CNN预测的不确定性的情况下将传统拟合的速度提高了1.73和1.19倍。这与大大提高的准确性相结合,突出了通过将神经网络与传统技术相结合可以获得的好处,以实现高效的自动建模方法。
2021-06-28 astro-ph.GA astro-ph.IM
Bayesian deep learning for cosmic volumes with modified gravity
Instituto de Astrofísica de Canarias(加那利群岛天体物理学研究所);Universidad de La Laguna(拉古纳大学);Universidad El Bosque(埃尔博斯克大学);Universidad Escuela Colombiana de Ingeniería Julio Garavito(哥伦比亚胡利奥·加萨维托工程学院)
本研究利用具备不确定性估计的贝叶斯神经网络(BNNs),从修正引力(MG)的N体模拟中提取宇宙学参数,发现BNNs能提供校准良好的不确定性估计,并揭示了MG参数与$σ_8$间的简并性,为在非线性区域提取宇宙学参数奠定了基础。
2024-02-12 astro-ph.CO astro-ph.IM cs.LG
Likelihood-free Model Selection in Cosmic Reionization with Three-dimensional Tomographic 21 cm Lightcone Images
该研究探索无似然贝叶斯模型选择以量化宇宙再电离场景的模型比较,通过训练三维CNN获取21厘米光锥摘要,替换采样器生成贝叶斯证据,能区分模拟数据集的生成模型,但存在对特定模型后验分布不准确的问题。
2025-02-12 astro-ph.CO astro-ph.IM
Bayesian inference on the sphere beyond statistical isotropy
本文给出了球面上随机场协方差结构的贝叶斯推断的一般方法。我们采用双极球谐函数(BipoSH)表示球上的一般协方差结构。我们说明了该方法作为一种原则性的方法来评估违反统计各向同性(SI)的宇宙微波背景(CMB)波动的天空地图的有效性。观测到的CMB图中的SI破坏是由于已知的物理效应如多普勒增强和弱透镜效应引起的;然而,未知的理论可能性,如宇宙拓扑和宇宙学原理的微妙违反,以及用非圆形光束扫描天空的预期观测伪像,掩蔽,前景残差,各向异性噪声,等。我们明确地证明了恢复的输入SI违反信号与其完整的统计模拟CMB地图。我们的形式主义很容易适应探索非SI协方差的参数物理模型,因为我们说明了多普勒增强的天空图的参数的推断。我们的方法承诺提供一个强大的定量评估的证据,SI违反相关的异常在CMB的天空中,通过估计的BipoSH光谱以及他们的完整的后验。
2015-09-23 astro-ph.CO astro-ph.IM
Field-level cosmological model selection: field-level simulation-based inference for Stage IV cosmic shear can distinguish dynamical dark energy
提出结合神经似然估计的场级基于模拟的推断框架与贝叶斯证据计算,首次实现宇宙学模型场级贝叶斯比较,证明其能区分动力学暗能量模型。
2024-10-14 astro-ph.CO astro-ph.IM