Canalización de inferencia utilizando estimación posterior neural amortiguada. El modelo de simulación conjunta p(x, θ) = p(θ)p(x|θ) se usa para generar un conjunto de entrenamiento {(θ, x)} de parámetros del modelo θ y observaciones espectrales d exoplanetas x. Se forma un flujo de normalización condicional pφ(θ|x) compuesto por una red de incrustación y tres transformaciones invertibles ti para estimar la densidad posterior p(θ|x). Una vez entrenado, el muestreo del estimador posterior es tan rápido como un paso hacia adelante a través del flujo de normalización. La inferencia se puede repetir para muchas observaciones sin tener que regenerar los datos o reciclar el flujo de normalización. — astro-ph.EP
La recuperación de parámetros físicos a partir de observaciones espectroscópicas de exoplanetas es fundamental para comprender sus propiedades atmosféricas.
Las recuperaciones atmosféricas exoplanetarias generalmente se basan en la inferencia bayesiana aproximada y se basan en enfoques basados en muestreo para calcular distribuciones posteriores de parámetros. Sin embargo, las extracciones precisas o repetidas pueden generar tiempos de cálculo muy largos debido a la naturaleza secuencial de los algoritmos basados en muestreo.
Nuestro objetivo es amortiguar la recuperación atmosférica exoplanetaria utilizando la estimación posterior neuronal (NPE), un algoritmo de inferencia basado en simulación basado en la inferencia variacional y los flujos de normalización. De esta manera, nuestro objetivo es (i) reducir en gran medida el tiempo de inferencia, (ii) adaptar la inferencia a modelos de simulación complejos con muchos parámetros molestos o funciones de probabilidad intratables, y (iii) permitir la validación estadística de los resultados de la inferencia.
Evaluamos NPE en un modelo de transferencia radiativa para espectros de exoplanetas pequeños RADTRANS, incluidos los efectos de dispersión y nubes. Entrenamos un flujo autorregresivo neuronal para estimar rápidamente los posteriores y compararlos con las recuperaciones calculadas con MultiNest. NPE produce aproximaciones posteriores precisas mientras reduce el tiempo de inferencia a segundos.
Demostramos la fidelidad computacional de nuestras aproximaciones posteriores utilizando diagnósticos de inferencia que incluyen verificaciones y cobertura predictivas posteriores, aprovechando el tiempo de inferencia casi instantáneo de NPE. Nuestro análisis confirma la fiabilidad de los posteriores aproximados producidos por NPE. La precisión y confiabilidad de los resultados de inferencia producidos por NPE lo convierten en un enfoque prometedor para las recuperaciones atmosféricas.
Amortizar la inferencia posterior hace que la inferencia repetida sobre múltiples observaciones sea computacionalmente económica porque no requiere simulaciones sobre la marcha, lo que hace que la recuperación sea eficiente, escalable y comprobable.
Malavika Vasist, François Rozet, Olivier Absil, Paul Mollière, Evert Nasedkin, Gilles Louppe
Materias: Astrofísica terrestre y planetaria (astro-ph.EP); Instrumentación y Métodos para Astrofísica (astro-ph.IM)
Citar como: arXiv:2301.06575 [astro-ph.EP] (o arXiv:2301.06575v1 [astro-ph.EP] para esta versión)
Historial de envíos
De: Malavika Vasist
[v1] lun 16 de enero de 2023 7:18:31 p. m. UTC (1965 KB)
https://arxiv.org/abs/2301.06575
Astrobiología
También te puede interesar
-
Las imágenes de alta velocidad y la IA nos ayudan a comprender cómo funcionan las alas de los insectos
-
Tarta de chocolate y sueños marcianos: el helicóptero Ingenuity se despide agridulce | Noticias científicas
-
Brillantes auroras iluminan a los fotógrafos del sur
-
Nuevo descubrimiento: algas y bacterias se fusionan para formar un solo organismo en un laboratorio | Noticias científicas
-
Los astrónomos descubren 454 nuevos asteroides en el cinturón principal