基于归一化流的引力波加速贝叶斯参数估计与模型选择
Accelerated Bayesian parameter estimation and model selection for gravitational waves with normalizing flows
- Mullard Space Science Laboratory（穆拉德空间科学实验室）
- University College London（伦敦大学学院）
- Utrecht University（乌得勒支大学）
- Nikhef（荷兰国家亚原子物理研究所）
- Center for Computational Astrophysics（计算天体物理中心）
- Flatiron Institute（弗拉蒂伦研究所）
- Johns Hopkins University（约翰斯·霍普金斯大学）
- Alan Turing Institute（阿兰·图灵研究所）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本研究提出结合Jim归一化流增强MCMC采样器与学习型调和均值估计器的加速流水线，实现引力波贝叶斯参数估计与模型选择，在单GPU上达到16核CPU传统方法的精度，计算速度最高提升15倍，且代码开源可复现。
AI中文摘要：
我们提出了一种基于高性能计算技术与归一化流的加速流水线，用于联合贝叶斯参数估计与模型选择，并验证了其在引力波天体物理学中的效率。我们将Jim推理工具包——一种经归一化流增强的马尔可夫链蒙特卡洛（MCMC）采样器——与学习型调和均值估计器相集成。我们的贝叶斯证据估计在1块GPU上运行的结果与在16个CPU核心上运行的传统嵌套采样技术的结果一致，同时针对4维和11维引力波推理问题，计算时间分别缩短了5倍和15倍。我们的代码包含在经过充分测试且文档完备的开源包中，确保更广泛研究群体的可访问性与可复现性。
英文摘要：
We present an accelerated pipeline, based on high-performance computing techniques and normalizing flows, for joint Bayesian parameter estimation and model selection and demonstrate its efficiency in gravitational wave astrophysics. We integrate the Jim inference toolkit, a normalizing flow-enhanced Markov chain Monte Carlo (MCMC) sampler, with the learned harmonic mean estimator. Our Bayesian evidence estimates run on $1$ GPU are consistent with traditional nested sampling techniques run on $16$ CPU cores, while reducing the computation time by factors of $5\times$ and $15\times$ for $4$-dimensional and $11$-dimensional gravitational wave inference problems, respectively. Our code is available in well-tested and thoroughly documented open-source packages, ensuring accessibility and reproducibility for the wider research community.
