Pipeline de inferencia usando estimación posterior neural amortizada. El modelo de simulación combinado utiliza p (x, θ) = p (θ) p (x | θ) para generar un conjunto de entrenamiento {(θ, x)} a partir de los parámetros del modelo θ y las observaciones de x espectros de exoplanetas. El flujo normalizado modal p(θ|x) compuesto por una red de incrustación y tres transformadas ti inversas se entrena para estimar la intensidad de fondo p(θ|x). Una vez entrenado, el muestreo del estimador posterior es tan rápido como el paso directo a través del flujo natural. La inferencia se puede repetir para muchas observaciones sin necesidad de actualizar los datos o volver a entrenar el flujo de normalización. -Astro chica EP
La recuperación de parámetros físicos a partir de observaciones espectrales de exoplanetas es fundamental para comprender las propiedades atmosféricas.
La recuperación atmosférica de exoplanetas generalmente se basa en la inferencia bayesiana aproximada y se basa en enfoques basados en muestreo para calcular distribuciones posteriores de parámetros. Sin embargo, las recuperaciones exactas o repetidas pueden generar tiempos de cálculo muy prolongados debido a la naturaleza secuencial de los algoritmos basados en muestreo.
Nuestro objetivo era consumir la recuperación atmosférica de exoplanetas utilizando la estimación posterior neuronal (NPE), un algoritmo de inferencia basado en simulación basado en inferencia variable y flujos naturales. De esta forma, nuestro objetivo es (1) reducir severamente el tiempo de inferencia, (2) extender el rango de inferencia para modelos de simulación complejos con muchos parámetros ruidosos o funciones de probabilidad intratables, y (3) habilitar la validación estadística de los resultados de la inferencia.
Evaluamos NPE en un modelo de transferencia radiativa de los espectros de exoplanetas petitRADTRANS, incluidos los efectos de dispersión y nubosidad. Entrenamos un flujo autorregresivo neuronal para estimar rápidamente el fondo y compararlo con las recuperaciones calculadas con MultiNest. NPE produce aproximaciones de fondo precisas mientras reduce el tiempo de inferencia a unos pocos segundos.
Mostramos la fidelidad computacional de nuestras estimaciones post-hoc utilizando diagnósticos de inferencia que incluyen verificaciones y cobertura predictivas post-hoc, aprovechando el tiempo de inferencia casi instantáneo de NPE. Nuestro análisis confirma la fiabilidad de las etiquetas aproximadas producidas por NPE. La precisión y confiabilidad de los resultados de inferencia producidos por NPE lo establecen como un enfoque prometedor para los retiros atmosféricos.
Amortizar la inferencia posterior hace que la inferencia iterativa sobre muchas observaciones sea computacionalmente económica porque no requiere simulación sobre la marcha, lo que hace que la recuperación sea eficiente, escalable y comprobable.
Malavika Fasset, François Rosette, Olivier Abselle, Paul Molière, Evert Nasedkin, Gilles Loeb
Asignaturas: Astrofísica Planetaria y de la Tierra (astro-ph.EP); Instrumentos y métodos astrofísicos (astro-ph.IM)
Citado como: arXiv:2301.06575 [astro-ph.EP] (o arXiv: 2301.06575v1 [astro-ph.EP] para esta versión)
Día de entrega
De: Malavika fascista
[v1] lunes, 16 de enero de 2023 19:18:31 UTC (1965 KB)
https://arxiv.org/abs/2301.06575
Astrobiología
«Erudito en viajes incurable. Pensador. Nerd zombi certificado. Pionero de la televisión extrema. Explorador general. Webaholic».
