Calibrating cosmological simulations with implicit likelihood inference using galaxy growth observables
在一种新的方法，采用隐式似然推理（ILI），也被称为无似然推理，我们校准宇宙学流体动力学模拟的参数对观测，这是以前不可行的，由于这些模拟的高计算成本。为了提高计算效率，我们训练神经网络作为模拟器对~1000宇宙学模拟从CAMELS项目估计模拟观测，作为输入的宇宙学和天体物理参数，并使用这些模拟器作为代理人的宇宙学模拟。使用宇宙恒星形成率密度（SFRD），分别，恒星质量函数（SMF）在不同的红移，我们执行ILI选定的宇宙学和天体物理参数（Ω_m，σ_8，恒星风反馈，动力学黑洞反馈），并获得完整的6维后验分布。在性能测试中，仿真的SFRD（SMF）的ILI可以恢复目标观测量的相对误差为0.17%（0.4%）。我们发现，简并之间存在的参数推断仿真SFRD，证实了新的完整的宇宙学模拟。我们还发现，SMF可以打破SFRD的简并性，这表明SMF为参数提供了补充约束。此外，我们发现，从观测推断SFRD推断的参数组合再现目标观测SFRD非常好，而在SMF的情况下，推断和观察到的SMF显示出显着的差异，表明当前星系形成建模和校准框架的潜在限制，和/或系统的差异和恒星质量函数的观测之间的不一致。
2022-11-29 astro-ph.CO astro-ph.GA
A probabilistic framework for cosmological inference of peculiar velocities
我们提出了一个贝叶斯层次框架的原则数据分析管道的奇特的速度调查，这使得明确的推理问题，约束宇宙学参数的红移无关的距离指标。我们展示了我们的方法为基础的平面调查。我们的方法的本质是与可观测量（例如角大小，表面亮度，红移等）密切合作，通过这种方法，我们通过使用概率分布绕过了汇总统计的使用。分层方法在几个方面改进了通常的分析。特别是，它允许一致的分析，而无需在校准阶段对宇宙学进行事先假设。此外，校准的不确定性正确占参数估计。结果提出了一个新的，充分分析后边缘化的所有潜在变量，我们希望在即将到来的调查中允许更多的原则性分析。最大后验估计也给出了来自基本面数据的特殊速度。
2020-07-23 astro-ph.CO astro-ph.IM
From Nonparametric Power Spectra to Inference About Cosmological Parameters: A Random Walk in the Cosmological Parameter Space
与宇宙学模型不同的是，这些数据告诉了我们什么关于决定宇宙模型的宇宙学参数？在本文中，我们解决这个问题的背景下，WMAP角功率谱的宇宙微波背景辐射。非参数方法非常适合于此目的，因为它们在构造上与模型无关，因此允许尽可能数据驱动的推断。我们的分析是基于一个非参数拟合的WMAP 7年的功率谱数据，与不确定性的特点是在一个高维的信心集中在这个适合的形式。为了对宇宙学参数进行推断，我们设计了一种抽样方法来探索这个置信集在非参数拟合周围到七个宇宙学参数（Omega_b，Omega_c，Omega_Lambda，Omega_k，H_0，n_s，tau）的空间中的投影。我们的采样方法是合理的，其计算简单，并验证了这一事实，即在这个宇宙学参数空间中的著名的简并正确地再现在我们的结果。我们的研究结果表明，宇宙学参数并不仅仅受到这些数据的严格约束。然而，在分析中结合额外的先验信息（例如，约束H_0或Omega_k的值）导致参数上的更紧的置信区间，该置信区间与主流参数方法估计的不确定性一致。
2012-12-26 astro-ph.CO
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
Field-level inference in cosmology
本文介绍了宇宙学中的场级推断框架，通过分析未压缩地图推断物理场与宇宙学参数，结合贝叶斯分层模型与机器学习提升数据分析能力并避免偏差。
2025-09-16 astro-ph.CO astro-ph.IM
Bayesian cosmological inference through implicit cross-correlation statistics
对下一代星系数据的分析需要准确处理系统效应，如观测星系与底层物质密度场之间的偏差。然而，所提出的模型的现象是数值昂贵或太不准确，以实现无偏的宇宙学参数的推断，即使在轻度非线性尺度的数据。作为一种替代构建准确的星系偏差模型，需要了解星系形成，我们建议构建似然分布的贝叶斯正向建模方法是不敏感的线性，尺度依赖的偏见，并提供对模型误指定的鲁棒性。我们使用最大熵参数来构造仅考虑数据和推断量之间的相关性的似然分布。通过设计，这些相关性对线性星系偏置关系不敏感，提供了所需的鲁棒性。该方法的实施和测试中的马尔可夫链蒙特卡罗方法。该方法是评估使用晕模拟目录的基础上标准的完整，宇宙学，N体模拟。我们得到公正的和严格的约束宇宙学参数只利用线性互相关率为$k\le 0.10$兆秒钟/小时。对质量约为10 $^{12}$ M $_\odot$到约10 $^{13}$ M $_\odot$的晕的测试表明，在获得宇宙学的鲁棒约束时，可以忽略线性的、尺度相关的、偏置函数的所有细节。我们的研究结果提供了一个很有前途的路径向前分析星系调查，而不需要准确地模拟星系偏置的细节，但通过设计强大的似然推理。
2021-04-27 astro-ph.CO astro-ph.IM
Combining cosmological and local bounds on bimetric theory
无鬼双度规理论描述了两个非线性相互作用的自旋2场，一个有质量，一个无质量，从而扩展了广义相对论。我们面对双度规理论与超新星类型1a，重子声学振荡和宇宙微波背景的统计分析，利用最近提出的物理parametrisation的观测。这直接限制了理论的物理参数，例如自旋2场的质量及其与物质的耦合。我们发现，所有考虑的模型都与数据一致。接下来，我们将这些结果与当地重力测试的界限进行比较。我们的分析表明，所有的两个和三个参数的模型是观测一致的宇宙学和当地的引力测试。我们的联合分析排除了最小双度量模型（仅$β_1$）。
2021-01-21 astro-ph.CO gr-qc hep-th
Combining Optical and X-ray Observations of Galaxy Clusters to Constrain Cosmological Parameters
星系团在宇宙学中有其独特的优势。本文收集了10个透镜状星系团的新样本，用X射线观测来约束宇宙学参数，透镜状星系团的红移范围在0.1 ~ 0.6之间，弧的红移范围在0.4 ~ 4.9之间。这些星团是从强引力透镜系统中精心挑选出来的，这些系统既有X射线卫星观测，也有已知红移的光学巨发光弧。巨大的弧通常出现在星团的中心区域，那里的质量可以很好地用光度来追踪。根据引力透镜理论和星系团质量分布模型，导出了一个与两个角直径距离之比无关的哈勃常数。一个是透镜源的距离，另一个是偏转器和源之间的距离。由于角直径距离在很大程度上依赖于宇宙学几何，我们可以使用这些比率来约束宇宙学模型。同时，星系团的X射线气体组分也可以作为宇宙学的探针。因为有十几个参数需要拟合，我们引入了一个新的分析算法，鲍威尔的UOBYQA（无约束优化二次近似），以加快我们的计算。结果表明，该算法是一种有效的拟合方法，这种连续多参数约束。我们发现一个有趣的事实，这两种方法是敏感的$Ω_Λ$和$Ω_{M}$分别。将它们结合起来，我们可以得到很好的基本宇宙学参数：$Ω_{M}=0.26_{-0.04}^{+0.04}$和$Ω_Λ=0.82_{-0.16}^{+0.14}$的拟合值。
2010-11-28 astro-ph.CO
Differentiable Cosmological Hydrodynamics for Field-Level Inference and High Dimensional Parameter Constraints
提出一种基于JAX的完全可微宇宙学流体力学模拟方法diffhydro，通过反向传播求解Euler方程和Poisson方程，实现对次网格物理和宇宙学参数的快速采样及初始条件的场级推断。
2025-02-04 astro-ph.CO astro-ph.IM
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
Dark Energy Constraints and Joint Cosmological Inference from Mutually Inconsistent Observations
本文研究了在$Λ$CDM模型下暗能量观测结果相互不一致的问题，指出对不一致观测进行联合推断会导致误差高估等问题，并提出替代重采样技术以确定参数张力来源。
2025-04-04 astro-ph.CO
Learnable wavelet neural networks for cosmological inference
New York University（纽约大学）；Flatiron Institute（熨斗研究所）；Princeton University（普林斯顿大学）；Carnegie Mellon University（卡内基梅隆大学）
研究将可学习散射变换应用于宇宙学推断与天体物理效应边缘化，提出性能与可解释性两种模型，发现其在小样本下优于CNN且具高可解释性。
2023-07-24 astro-ph.CO astro-ph.IM cs.LG
Lossless, Scalable Implicit Likelihood Inference for Cosmological Fields
我们提出了一个比较基于模拟的推理，以充分，基于场的宇宙数据分析的分析推理。要做到这一点，我们探讨两种情况下的信息内容是可计算的参数推断分析：高斯随机场的协方差取决于参数通过功率谱;和相关的对数正态场与宇宙功率谱。我们比较两种推理技术：i）使用已知似然的显式字段级推理和ii）通过信息最大化神经网络（IMNN）压缩的最大信息汇总统计量的隐式似然推理。我们发现，a）从卷积神经网络压缩获得的摘要不会丢失信息，因此对于高斯协方差和对数正态情况都使已知的字段信息内容饱和，b）使用这些信息量最大的非线性摘要的基于模拟的推断几乎可以恢复字段级推断的精确后验，绕过评估昂贵的似然或逆协方差矩阵的需要，以及c）即使对于这个简单的例子，隐式的、基于模拟的似然性也比利用显式似然性的推断引起小得多的计算成本。这项工作使用了一个新的IMNNs实现在$\texttt{Jax}$，可以充分利用可微分的模拟和推理流水线。我们还证明了一个单一的再训练的IMNN摘要有效地实现了理论上的最大信息，增强了鲁棒性的基准模型的选择，其中IMNN的训练。
2021-07-17 astro-ph.CO
Simulation-Efficient Cosmological Inference with Multi-Fidelity SBI
Kavli IPMU (WPI), UTIAS, The University of Tokyo, Japan（Kavli IPMU（WPI）、UTIAS、东京大学）；Center for Data-Driven Discovery, Kavli IPMU (WPI), Japan（数据驱动发现中心、Kavli IPMU（WPI）、日本）；Center for Computational Astrophysics, Flatiron Institute, New York, USA（计算天体物理学中心、Flatiron研究所、美国纽约）；Department of Astrophysical Sciences, Princeton University, USA（天体物理学系、普林斯顿大学、美国）；RCAST, The University of Tokyo, Japan（RCAST、东京大学、日本）
本文提出基于特征匹配与知识蒸馏的多保真度模拟推断方法，在有限模拟预算下提升宇宙学后验推断质量。
2025-07-01 astro-ph.CO cs.LG
Reconstructing the recombination history by combining early and late cosmological probes
本研究提出结合CMB、BAO和超新星数据重构宇宙复合期电离历史的新框架，发现复合过程自由度会削弱宇宙学参数约束，BAO可打破参数简并，超新星数据更支持非标准复合历史，未来SPT-3G将大幅降低重构不确定性。
2024-08-13 astro-ph.CO
Evaluating Summary Statistics with Mutual Information for Cosmological Inference
本文提出用互信息评估宇宙学推断中汇总统计量的信息充分性，并通过21 cm再电离参数推断实验验证其能有效选择最优统计量。
2023-07-11 astro-ph.CO astro-ph.IM
Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis
Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所）；Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡弗里宇宙学研究所）；Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪许天体物理学）
利用基于模拟的推断方法，检验标准高斯似然在Planck-like tSZ分析中的准确性，发现高斯假设给出无偏约束，而SBI方法显示前景残差后验分布略有展宽。
2026-06-15 astro-ph.CO astro-ph.IM
Accurate field-level weak lensing inference for precision cosmology
本文提出场级弱引力透镜推断流水线Miko，识别并修正多种新系统误差，比较高斯与对数正态映射先验的偏差和不确定性表现，将系统误差控制在2%水平，适用于当前弱引力透镜巡天。
2024-07-19 astro-ph.CO astro-ph.IM
Cosmological inference from Bayesian forward modelling of deep galaxy redshift surveys
我们提出了一个大规模的贝叶斯推断框架，约束宇宙学参数使用星系红移调查，通过应用的Alcock-Paczybroski（AP）测试。我们的物理模型的非线性演化的密度场，探测星系调查，采用拉格朗日微扰理论（LPT）连接高斯初始条件的最终密度场，然后通过坐标变换，以获得红移空间表示与数据进行比较。我们生成实现的原始和当今的物质波动给出了一组观察。这种分层的方法编码一种新的AP测试，提取几个数量级更多的信息，从宇宙膨胀相比，经典的方法，推断宇宙学参数，并共同重建底层的三维暗物质密度场。这个AP测试的新颖之处在于约束的comoving红移变换，以推断适当的宇宙学，产生各向同性相关的星系密度场，与基本假设纯粹依赖于宇宙学原理。这种AP测试并不明确依赖于对该领域的全部统计数据进行建模。我们通过模拟深入验证，这使得我们的测试对模型误设具有鲁棒性。这导致了另一个至关重要的优势，即宇宙学参数对目前尚未解决的星系偏置现象表现出极弱的依赖性，从而规避了一个潜在的关键限制。因此，这是第一种方法，以提取大部分的信息，从统计数据以外的直接密度对比度的相关性，而不敏感的密度波动的幅度。我们进行了几个统计效率和一致性测试的模拟星系目录，使用SDSS-III调查作为模板。
2018-11-07 astro-ph.CO astro-ph.IM
Combining cosmological constraints from cluster counts and galaxy clustering
目前和未来的大尺度巡天提供了有希望的宇宙学探测。例如，暗能量巡天（DES）预计将探测到约3亿个星系和数千个红移约1.3的星系团。我在这里显示正在进行的工作，结合两个探头的大尺度结构：集群数量计数和星系2点函数（在实或谐波空间）。晕模型（耦合到晕占领分布）可以用来模拟这些探头之间的互协方差，我介绍了一种图解方法来轻松计算所涉及的不同条款。此外，我计算联合非高斯似然，使用Gram-Charlier系列。然后，我将展示如何将贝叶斯超参数的方法扩展到泊松分布，第一步是将它们包括在这个联合似然中。
2014-07-04 astro-ph.CO
Cosmological Constraints with Void Lensing I: the Simulation-Based Inference Framework
本文提出基于模拟推断的框架，通过前向建模和神经密度估计器，在无解析模型下利用空洞透镜效应估计宇宙学参数Ω_m和S_8，验证表明估计无偏且误差准确。
2025-04-21 astro-ph.CO
The Pantheon+ Analysis: Forward-Modeling the Dust and Intrinsic Colour Distributions of Type Ia Supernovae, and Quantifying their Impact on Cosmological Inferences
最近的研究表明，观测到的Ia型超新星（SNIa）的颜色分布可以很好地描述为尘埃和固有颜色的组合分布。在这里，我们提出了一个新的前向建模拟合方法（Dust 2Dust）来测量母尘和颜色分布，包括它们对宿主星系质量的依赖。在每个拟合步骤中，SNIa选择效率从大的模拟样本中确定，该模拟样本被重新加权以反映所提出的分布。我们使用五个单独的指标来约束Dust 2Dust参数：分布拟合的光变曲线颜色$c$，宇宙学剩余趋势与$c$，宇宙学剩余散射与$c$，拟合的颜色-光度关系$β_{\rm SALT2}$，和内在散射$σ_{\rm int}$。使用Pantheon+数据样本，我们提出了Dust 2Dust拟合的结果，其中包括4个描述固有颜色变化的参数和8个描述灰尘的参数。此外，我们传播Dust 2Dust参数的不确定性和协方差的暗能量状态方程$w$和哈勃常数H $_0$：我们发现$σ_w = 0.005$和$σ_{\textrm{H}_0} = 0.145~$ km/s/Mpc。Dust 2Dust代码是免费提供的。
2022-12-05 astro-ph.CO astro-ph.GA
Joint inference of weak lensing convergence map and cosmology with diffusion models
NSF-Simons AI Institute for the Sky (SkAI)（NSF-西蒙斯天空人工智能研究所）；University of Chicago（芝加哥大学）
提出基于扩散模型的隐式推断方法，联合推断宇宙学参数和收敛图，无需显式可微前向模型，在模拟数据上验证了后验校准和场统计的正确性。
2026-07-01 astro-ph.CO astro-ph.IM
Flinch: A Differentiable Framework for Field-Level Inference of Cosmological parameters from curved sky data
该研究提出全可微高性能框架Flinch，可直接从角图开展宇宙学参数推断，相比标准方法约束精度最高提升40%，且微正则朗之万蒙特卡洛采样器效率远高于传统哈密顿蒙特卡洛采样器。
2025-10-30 astro-ph.CO
CONNECT: A neural network based framework for emulating cosmological observables and cosmological parameter inference
本研究提出神经网络框架CONNECT，作为MontePython的插件模拟CLASS的宇宙学可观测量计算，通过新型训练点生成算法将CLASS评估量降两个数量级，推断后验与CLASS差异极小，大幅提升宇宙学参数推断效率。
2023-06-13 astro-ph.CO astro-ph.IM hep-th
Constraining on the non-standard cosmological models combining the observations of high-redshift quasars and BAO
利用高红移类星体与BAO数据约束四类非标准宇宙学模型，发现广义查普雷金气体和含挠率模型在AIC下表现最佳，并支持部分模型可缓解哈勃张力。
2024-04-14 astro-ph.CO
Accelerating astronomical and cosmological inference with Preconditioned Monte Carlo
我们介绍了预条件蒙特卡罗（PMC），一种新的蒙特卡罗方法的贝叶斯推断，有利于有效的抽样概率分布与非平凡的几何形状。PMC利用一个归一化流（NF），以解相关的分布的参数，然后进行采样从预处理的目标分布使用自适应顺序蒙特卡罗（SMC）计划。PMC产生的结果包括来自后验分布的样本和模型证据的估计，可分别用于参数推断和模型比较。上述框架已在各种具有挑战性的目标分布中进行了彻底测试，实现了最先进的采样性能。在原始特征分析和引力波推断的情况下，PMC分别比嵌套采样（NS）快约50倍和25倍。我们发现，在高维应用中，加速度甚至更大。最后，PMC是直接可并行的，表现为线性扩展到数千个CPU。
2022-07-12 astro-ph.CO astro-ph.IM physics.comp-ph
CosmicRIM : Reconstructing Early Universe by Combining Differentiable Simulations with Recurrent Inference Machines
在正演模拟框架下，从观测数据重建宇宙初始的高斯初始条件是宇宙学的一个主要挑战。这需要用昂贵的非线性正向模型来解决高维逆问题：宇宙学N体模拟。虽然棘手，直到最近，我们建议解决这个推理问题，使用自动可微N体求解器，结合递归网络学习推理方案，并获得宇宙初始条件的最大后验概率（MAP）估计。我们证明了使用现实的宇宙学观测值，学习推理是40倍的速度比传统的算法，如ADAM和LBFGS，这需要专门的退火方案，并获得更高质量的解决方案。
2021-04-26 astro-ph.CO
Forward modeling of galaxy populations for cosmological redshift distribution inference
我们提出了一个前向建模框架，估计星系红移分布光度调查。我们的正演模型由描述星系物理特性内在分布的详细星族模型、将星系物理特性与光度学联系起来的恒星星族综合模型、描述特定巡天观测和定标过程的数据模型、描述星系演化物理的星族模型和描述星系演化物理的星族综合模型组成。和，明确的治疗选择削减，都进入主要的分析样品和随后的分类到层析红移箱。这种方法的吸引力，它不依赖于光谱校准数据，提供了明确的控制建模假设，并建立了一个直接的桥梁之间的照片- $z$推断和星系演化物理。除了红移分布外，正演模拟还提供了一个框架，可以更普遍地对星系群的统计特性进行强有力的推断。我们证明了效用的前向建模估计的星系和质量大会（GAMA）和Vimos VLT深（VVDS）调查的红移分布，验证对他们的光谱红移。我们的基线模型能够预测GAMA和VVDS的层析红移分布，平均红移的偏差分别为$Δz \lesssim 0.003$和$Δz \simeq 0.01$-对于第三阶段宇宙学调查来说足够准确-没有任何超参数调整（即，在对这些数据进行任何拟合之前）。我们预计，通过额外的超参数拟合和建模改进，正演建模可以为第四阶段调查提供一条精确的红移分布推断的途径。
2022-11-17 astro-ph.CO astro-ph.GA
A complete framework for cosmological emulation and inference with CosmoPower
本研究构建了基于CosmoPower的可复用Python宇宙学模拟推断框架，制定模拟器标准与自动化工具，配套CAMB相关高精度模拟器，可大幅提速分析且精度满足第四阶段观测需求。
2024-05-13 astro-ph.CO astro-ph.IM
The Covariance of Photometric and Spectroscopic Two-Point Statistics: Implications for Cosmological Parameter Inference
为了将来自光谱数据的红移空间功率谱测量信息与来自光度测量的角弱透镜、星系团和星系-星系透镜功率谱（即$3 \times 2$点统计）结合起来，我们必须考虑两个探测器之间的协方差。目前，这两种测量之间的任何协方差都被忽略了，因为现有的光度和光谱测量主要是探测不同的宇宙体积。随着第四阶段调查数据的到来，情况将不再如此。本文在平面平行近似下，导出了高斯光场的光度二维角功率谱与三维红移空间功率谱之间协方差的解析表达式。我们发现，这两个探针是协变的大径向尺度上，但由于这些模式的信息含量是非常低的，由于样本方差，我们预测，它是安全的，忽略这种协方差进行宇宙学参数推断时。
2022-05-27 astro-ph.CO
Cosmological inference from standard sirens without redshift measurements
本工作的目的是探讨利用未来标准的没有红移测量的海妖数据来约束宇宙学参数的前景。随着对引力波信号的成功探测，一个引力波天文学的时代已经开始。与电磁域不同，GW信号允许直接测量到源的光度距离，而它们的红移仍然需要通过识别电磁对应物来测量。这导致了几乎所有可能的BH-BH系统的重大技术问题。这是GW标准塞壬应用于宇宙学的主要障碍。在本文中，我们介绍了一般框架，单独使用光度距离的宇宙学推论。我们的想法是使用合并源的红移概率分布的先验知识，从人口综合代码评估的内在合并率。然后计算宇宙学参数的后验概率分布。我们证明了我们的方法的模拟模拟数据的性能，并表明，光度距离测量将使宇宙学参数的准确测定高达$20%$的不确定性水平。我们还发现，为了用平坦的$Λ$ CDM模型将$H_0$推断到1%的水平，我们需要大约$10^5$事件。
2018-12-02 astro-ph.CO
Benchmarking field-level cosmological inference from galaxy redshift surveys
Université Paris-Saclay（巴黎萨克雷大学）；Université Paris Cité（巴黎西岱大学）；CEA（法国原子能和替代能源委员会）；CNRS（法国国家科学研究中心）；AIM（天体物理研究所）
本文提出了一种标准化的场级宇宙学推断基准，评估了多种采样方法在大规模问题中的效率，发现MCLMC在处理高维问题时表现优异。
2025-12-17 astro-ph.CO astro-ph.IM stat.CO
Robust marginalization of baryonic effects for cosmological inference at the field level
Princeton University（普林斯顿大学）；Flatiron Institute（熨斗研究所）；Columbia University（哥伦比亚大学）；University of Connecticut（康涅狄格大学）
我们对神经网络进行训练，以根据包含CAMELS项目数千次流体动力学模拟的总质量表面密度的$(25\,h^{-1}{\rm Mpc})^2$ 2D地图执行无可能性推理。我们表明，网络可以提取信息超越一点函数和功率谱从所有解决尺度（$\gtrsim 100\,h^{-1}{\rm kpc}$），同时执行一个强大的边缘化重子物理场的水平：该模型可以推断的值$Ω_{\rm m} (\pm 4\%)$和$σ_8 (\pm 2.5\%)$从模拟完全不同的用于训练它。
2021-09-21 astro-ph.CO astro-ph.GA astro-ph.IM
cloelike: A Python Library for Cosmological Likelihood Inference in the Euclid Era
Waterloo Centre for Astrophysics, University of Waterloo（滑铁卢天体物理中心，滑铁卢大学）；Leiden Observatory, Leiden University（莱顿天文台，莱顿大学）；Centre for Astrophysics Research, University of Hertfordshire（天体物理学研究中心，赫特福德大学）；Scientific Information, German Aerospace Center (DLR)（科学信息部，德国航空航天中心）；INAF - Osservatorio Astronomico di Trieste（意大利国家天体物理研究所 - 的里雅斯特天文台）；INAF - Osservatorio Astronomico di Brera（意大利国家天体物理研究所 - 布雷拉天文台）；Institute of Space Sciences (ICE, CSIC)（空间科学研究所）；INAF - IASF Milano（意大利国家天体物理研究所 - 米兰天体物理研究所）；Astronomical Institute (AIRUB), Ruhr University Bochum（天文研究所，鲁尔大学波鸿分校）；Department of Physics, University of Oxford（物理系，牛津大学）；Dipartimento di Fisica "Aldo Pontremoli", Università degli Studi di Milano（物理系，米兰大学）；IRAP, Université de Toulouse（天体物理研究所，图卢兹大学）；Osservatorio Astronomico di Roma（罗马天文台）；Mullard Space Science Laboratory, University College London（穆拉德太空科学实验室，伦敦大学学院）；Software Institut d’Estudis Espacials de Catalunya (IEEC)（加泰罗尼亚空间研究研究所）
本文介绍cloelike，一个为ESA欧几里得空间任务的主要宇宙学大尺度结构观测量提供模块化、可组合的高斯似然类的Python包，是CLOE生态系统的核心组件。
2026-05-22 astro-ph.CO astro-ph.IM
Bayesian optimisation for likelihood-free cosmological inference
许多宇宙学模型只有有限数量的感兴趣的参数，但是非常昂贵的数据生成过程和难以处理的似然函数。我们解决的问题，执行无似然贝叶斯推断，从这样的黑盒模拟为基础的模型，在一个非常有限的模拟预算的约束下（通常是几千）。为此，我们采用了一种基于替代参数模型的可能性的方法。传统的方法来近似贝叶斯计算，如无似然拒绝抽样是不切实际的考虑的问题，由于缺乏知识的参数如何影响观测数据和模拟数据之间的差异。作为回应，我们使用了之前在机器学习文献中开发的策略（贝叶斯无似然推理优化，BOLFI），该策略将差异的高斯过程回归与贝叶斯优化相结合，以构建替代曲面，从而主动获取训练数据。我们扩展的方法，通过推导出一个采集函数量身定制的目的，最大限度地减少预期的不确定性的近似后验密度，在参数的方法。由此产生的算法适用于总结高斯信号和推断宇宙学参数的联合光曲线分析超新星数据的问题。我们表明，所需的模拟的数量减少了几个数量级，建议的采集功能产生更准确的后验近似，相比常见的策略。
2018-09-13 astro-ph.CO astro-ph.IM stat.AP
PROSPECT: A profile likelihood code for frequentist cosmological parameter inference
针对贝叶斯宇宙学参数推断受参数化和先验选择影响的问题，研究团队提出了频率学派的轮廓似然代码PROSPECT，兼容cobaya与MontePython，可用于分析先验与参数化对结论的影响。
2024-12-09 astro-ph.CO astro-ph.IM hep-ph
Inference of cosmological models with principal component analysis
本文提出将主成分分析与MCMC方法结合，用NUTS采样推断宇宙学模型参数，并以暗能量状态方程多项式展开为例，在模拟数据和哈勃参数、Ia型超新星、重子声学振荡等观测数据上验证了该方法对稀疏数据的有效约束能力。
2024-04-30 astro-ph.CO
A hidden reionization prior biases cosmological inference
Shanghai Astronomical Observatory, Chinese Academy of Sciences（中国科学院上海天文台）
研究发现标准单调再电离历史与观测数据冲突，引入早期再电离成分可放宽中微子质量上限并改变σ8，揭示再电离形状是宇宙学推断中的隐含先验。
2026-06-29 astro-ph.CO astro-ph.GA
LINNA: Likelihood Inference Neural Network Accelerator
现代多探针宇宙学分析的贝叶斯后验推理会产生巨大的计算成本。例如，根据探测器的组合，暗能量调查（DES）数据的单一后验推断具有1到21天的挂钟时间，使用具有100个核心的最先进的计算集群。这些计算成本会对环境产生严重影响，而且长时间的挂钟会降低科学生产力。为了解决这些困难，我们引入了LINNA：Likestive推理神经网络加速器。相对于基线DES分析，LINNA降低了计算成本与后验推理的一个因素的8- 50。如果应用于鲁宾天文台遗产时空巡天（LSST Y1）的第一年宇宙学分析，我们保守估计LINNA将比美国$\$300,000$节省更多的能源成本，同时减少$\rm{CO}_2$排放$2,400$吨。为了实现这些约简，LINNA自动构建训练数据集，创建神经网络代理模型，并生成对后验进行采样的马尔可夫链。我们明确验证，LINNA准确地再现了第一年DES（DES Y1）宇宙学约束来自各种不同的数据向量与我们的默认代码设置，而不需要重新调整算法每次。此外，我们发现LINNA足以使LSST Y10多探针分析的准确和有效的采样。我们在https：//github.com/chto/linna上公开了LINNA，以使其他人能够在当代宇宙学分析中进行快速准确的后验推理。
2022-03-10 astro-ph.CO astro-ph.IM
Implicit Likelihood Inference of the Neutrino Mass Hierarchy from Cosmological Data
Liaoning Normal University（辽宁师范大学）
利用LtU-ILI管道和SNLE方法，基于Planck 2018功率谱和DESI DR2距离比，通过多轮模拟推断中微子质量层次，得到层次参数估计值。
2026-06-17 astro-ph.CO
A multi-eigenbasis approach to covariance matrix denoising for cosmological inference
The Ohio State University（俄亥俄州立大学）
针对3D Lyα森林分析中数据驱动协方差矩阵不可逆的问题，提出一种多特征基去噪方法，通过投影到模拟参考特征基和残差分类特征基进行两步去噪，显著优于当前平滑方法。
2026-06-02 astro-ph.CO astro-ph.IM
Cosmological parameters, shear maps and power spectra from CFHTLenS using Bayesian hierarchical inference
我们应用两个贝叶斯层次推理方案来推断剪切功率谱，剪切图和宇宙学参数的CFHTLenS弱透镜调查-这种方法的数据的第一次应用。在第一种方法中，我们通过Gibbs抽样对剪切图和功率谱的联合后验分布进行抽样，并采用极小模型假设。在第二种方法中，我们的剪切映射和宇宙学参数的联合后验抽样，提供了一个新的，准确的和原则性的方法来推断宇宙学参数从宇宙剪切数据。作为第一个演示的数据，我们进行了2-bin层析分析，以约束宇宙学参数和调查的可能性测光红移偏差的CFHTLenS数据。在基线$Λ$ CDM模型下，我们限制了$S_8 = σ_8(Ω_\mathrm{m}/0.3)^{0.5} = 0.67 ^{\scriptscriptstyle+ 0.03 }_{\scriptscriptstyle- 0.03 }$ $(68\%)$，这与之前的CFHTLenS分析一致，但与普朗克的分析相矛盾。加入中微子质量作为一个自由参数，我们能够约束$\sum m_ν< 4.6\mathrm{eV}$（95%）单独使用CFHTLenS数据。包括一个线性红移依赖的光$z$偏置$Δz = p_2(z - p_1)$，我们发现$p_1=-0.25 ^{\scriptscriptstyle+ 0.53 }_{\scriptscriptstyle- 0.60 }$和$p_2 = -0.15 ^{\scriptscriptsty…
2017-05-09 astro-ph.CO
Impact of weak-lensing mass-mapping algorithms on cosmology inference
本研究评估不同质量映射算法对弱引力透镜峰值计数推断宇宙学参数的影响，发现MCALens算法相比Kaiser-Squires可将约束改善157%，强调选择先进算法对提高宇宙学推断精度的重要性。
2025-04-21 astro-ph.CO
Modern Bayesian Sampling Methods for Cosmological Inference: A Comparative Study
本研究比较了多种MCMC采样方法在宇宙学参数估计中的性能，发现HMC和嵌套采样在复杂分布中更具优势，但嵌套方法计算成本较高。
2025-02-17 astro-ph.CO
Covariance shrinkage for cosmological inference with Sellentin-Heavens-type likelihoods
University of Campania “Luigi Vanvitelli”（坎帕尼亚路易吉·凡维泰利大学）
研究在有限模拟样本下协方差矩阵的收缩正则化方法，提出将收缩强度作为辅助推断量并边缘化其不确定性，以改进参数后验校准。
2026-06-18 astro-ph.CO astro-ph.IM stat.ME
Learning the Universe: Cosmological and Astrophysical Parameter Inference with Galaxy Luminosity Functions and Colours
通过星系光度函数和颜色数据，研究宇宙学参数推断，发现反馈机制和宇宙学参数对星系性质的影响。
2025-10-28 astro-ph.CO astro-ph.GA
Including parameter dependence in the data and covariance for cosmological inference
大多数大尺度结构分析的最后一步涉及功率谱或关联函数与理论模型的比较。很明显，理论模型具有参数依赖性，但通常测量值和协方差矩阵也依赖于某些参数。我们表明，一个非常简单的插值方案，从非结构化网格允许一个有效的方法，包括这个参数的依赖性自相一致的分析在适度的计算费用。我们描述了两个方案的协方差矩阵。使用这种矩阵的几何结构的方案的性能大约是最简单方案的两倍，尽管两者都表现得很好。
2016-01-05 astro-ph.CO
Uncertainty-aware and Data-efficient Cosmological Emulation using Gaussian Processes and PCA
本文提出一种结合高斯过程与PCA的主动学习仿真模拟方法，强调不确定性感知和数据效率，在ΛCDM模型的MCMC分析中将仿真调用减少约500倍并节省约96%计算成本。
2024-06-07 astro-ph.CO astro-ph.IM
CosmoPower-JAX: high-dimensional Bayesian inference with differentiable cosmological emulators
Université de Genève（日内瓦大学）；University College London（伦敦大学学院）
CosmoPower-JAX基于JAX构建宇宙学功率谱神经模拟器，利用自动微分和GPU加速高维贝叶斯参数推断，在Stage IV模拟中比标准方法快数个数量级。
2023-06-22 astro-ph.CO astro-ph.IM cs.LG
Field-level multi-tracers simulation-based inference of cosmological parameters from 3D maps
SISSA（国际高等研究学院）；INFN Sezione di Trieste（意大利国家核物理研究所的里雅斯特分部）；ICSC – Centro Nazionale di Ricerca in High Performance Computing, Big Data e Quantum Computing（高性能计算、大数据与量子计算国家研究中心）；Imperial College London（帝国理工学院）；IFPU - Institute for Fundamental Physics of the Universe（宇宙基础物理研究所）
利用模拟推断方法，从三维场级星系和中性氢图中联合约束宇宙学参数Ω_m和σ_8，相比传统统计量将约束精度提升约3倍。
2026-05-25 astro-ph.CO gr-qc
Cosmological Parameter Estimation with Sequential Linear Simulation-based Inference
本文提出 LSBI 框架，用高斯线性似然和解析超参数后验进行序贯基于模拟的推断，并在玩具模型与 CMB 温度功率谱仿真数据上验证其收敛性、竞争力及可解释性。
2025-01-07 astro-ph.CO astro-ph.IM physics.data-an
Mean-Field Simulation-Based Inference for Cosmological Initial Conditions
GRAPPA Institute（GRAPPA研究所）；University of Amsterdam（阿姆斯特丹大学）；University of Vienna（维也纳大学）
本文提出一种基于平均场近似的贝叶斯场重建方法，将初始密度场后验建模为傅里叶空间对角高斯，实现快速训练与采样，并兼容不可微分的N体模拟器。
2024-10-21 astro-ph.CO astro-ph.IM cs.LG
COSMOPOWER: emulating cosmological power spectra for accelerated Bayesian inference from next-generation surveys
我们提出了$\it{CosmoPower}$，一套神经宇宙学功率谱仿真器提供的数量级加速参数估计从两点统计分析的大尺度结构（LSS）和宇宙微波背景（CMB）调查。仿真器取代玻尔兹曼代码的物质和CMB功率谱的计算，因此，他们不需要重新训练不同的选择天体物理学的滋扰参数或红移分布。在波数范围$k \in [10^{-5}, 10] \, \mathrm{Mpc}^{-1}$内，对红移$z \in [0, 5]$的物质功率谱仿真误差小于$0.4\%$。$\it{CosmoPower}$模拟CMB温度，偏振和透镜潜在的功率谱在$5σ$区域的参数空间周围的$\it{Planck}$最佳拟合值与误差$\lesssim 10\%$的预期散粒噪声为即将到来的西蒙斯天文台。$\it{CosmoPower}$被展示在来自千度巡天的宇宙剪切和星系聚类分析的联合分析上，以及在第四阶段类似$\it{Euclid}$的模拟宇宙剪切分析上。对于CMB情况，在$\it{Planck}$ 2018 CMB温度和偏振分析上测试$\it{CosmoPower}$。仿真器总是恢复基准宇宙学约束的差异小于采样噪声的后验，同时提供一个加速因子高达$O(10^4)$的完整的推理流水线。正如我们在$\it{Planck}$似然情况下所证明的那样，这种加速允许在几秒钟内恢复后验分布。$\it{CosmoPower}$完全用Pyth…
2022-01-31 astro-ph.CO astro-ph.IM
