論文の概要: Emulating compact binary population synthesis simulations with uncertainty quantification and model comparison using Bayesian normalizing flows

• arxiv url: http://arxiv.org/abs/2506.05657v2
• Date: Wed, 03 Sep 2025 17:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 17:24:09.177355
• Title: Emulating compact binary population synthesis simulations with uncertainty quantification and model comparison using Bayesian normalizing flows
• Title（参考訳）: ベイズ正規化流を用いた不確実性定量化とモデル比較によるコンパクトな二元集団合成シミュレーション
• Authors: Anarya Ray,
• Abstract要約: ベイズ正規化フローを実装することにより,エミュレータの不確かさの定量化と疎外化を行う手法を開発した。 本研究では, 共通エンベロープ進化により形成された二元ブラックホール群のシミュレーションにおいて, 推定不確かさの精度, 校正, 推測, およびデータ増大効果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Population synthesis simulations of compact binary coalescences~(CBCs) play a crucial role in extracting astrophysical insights from an ensemble of gravitational wave~(GW) observations. However, realistic simulations can be costly to implement for a dense grid of initial conditions. Normalizing flows can emulate population synthesis runs to enable simulation-based inference from observed catalogs and data augmentation for feature prediction in rarely synthesizable sub-populations. However, flow predictions can be wrought with uncertainties, especially for sparse training sets. In this work, we develop a method for quantifying and marginalizing uncertainties in the emulators by implementing the Bayesian Normalizing flow, a conditional density estimator constructed from Bayesian neural networks. Using the exact likelihood function naturally associated with density estimators, we sample the posterior distribution of flow parameters with suitably chosen priors to quantify and marginalize over flow uncertainties. We demonstrate the accuracy, calibration, inference, and data-augmentation impacts of the estimated uncertainties for simulations of binary black hole populations formed through common envelope evolution. We outline the applications of the proposed methodology in the context of simulation-based inference from growing GW catalogs and feature prediction, with state-of-the-art binary evolution simulators, now marginalized over model and data uncertainties.
• Abstract（参考訳）: 小型の双対合体(CBC)の集団合成シミュレーションは、重力波のアンサンブルから天体物理学的な知見を抽出する上で重要な役割を担っている。 しかし、現実的なシミュレーションは、初期条件の密度の高いグリッドを実装するのに費用がかかる。 正規化フローは、人口合成の実行をエミュレートし、観察されたカタログからのシミュレーションベースの推論と、稀に合成可能なサブ人口における特徴予測のためのデータ拡張を可能にする。 しかし、流速予測は不確実性、特にスパーストレーニングセットで行うことができる。 本研究では,ベイジアンニューラルネットワークから構築した条件密度推定器であるベイジアン正規化流を用いて,エミュレータの不確かさの定量化と疎外化を行う手法を開発した。 密度推定器に自然に関連付けられた正確な確率関数を用いて, 流れの不確かさを定量化し, 余剰化するために, 適切に選択された先行パラメータを含む流れパラメータの後方分布をサンプリングする。 本研究では, 共通エンベロープ進化により形成された二元ブラックホール群のシミュレーションにおいて, 推定不確かさの精度, 校正, 推測, およびデータ増大効果を示す。 本稿では,GWカタログの成長と特徴予測から得られたシミュレーションに基づく推論の文脈における提案手法の適用について,現状のバイナリ進化シミュレータを用いて概説する。

関連論文リスト

• Exact simulation of realistic Gottesman-Kitaev-Preskill cluster states [0.0]
  本稿では,現実的なGottesman-Kitaev-Preskill(GKP)クラスタ状態をシミュレーションし,特徴付ける手法について述べる。 キャット状態の育種による単一モードGKP状態の生成と,線形光回路およびホモダイン測定による多モードGKPクラスター状態の形成について検討する。
  論文  参考訳（メタデータ） (2025-04-14T18:05:06Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Ensemble flow reconstruction in the atmospheric boundary layer from spatially limited measurements through latent diffusion models [0.32955181898067526]
  機械学習技術は、従来、標準的な流体力学問題において、観測されていない流れ領域を再構築してきた。 これらの技術は3次元大気境界層ではまだ実証されていない。
  論文  参考訳（メタデータ） (2023-03-01T21:55:10Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Fast Estimation of Bayesian State Space Models Using Amortized Simulation-Based Inference [0.0]
  本稿では,ベイズ状態空間モデルの隠れ状態を推定するための高速アルゴリズムを提案する。 事前トレーニングの後、データセットの後方分布を見つけるには、100分の1秒から10分の1秒かかる。
  論文  参考訳（メタデータ） (2022-10-13T16:37:05Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
  フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。 フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
  論文  参考訳（メタデータ） (2022-02-23T19:00:00Z)
• Probabilistic Mass Mapping with Neural Score Estimation [4.079848600120986]
  弱レンズ質量マッピング問題の高次元ベイズ後方の効率的なサンプリング法を提案する。 本手法の精度をシミュレーションで実証し,HST/ACS COSMOSフィールドの大量再構成に適用する。
  論文  参考訳（メタデータ） (2022-01-14T17:07:48Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Score Matched Conditional Exponential Families for Likelihood-Free Inference [0.0]
  Likelihood-Free Inference (LFI) はモデルからのシミュレーションに依存する。 モデルからパラメータシミュレーションペアを観測に基づいて独立に生成する。 重みをスコアマッチングで調整したニューラルネットワークを用いて,条件付き指数関数的家族度近似を学習する。
  論文  参考訳（メタデータ） (2020-12-20T11:57:30Z)
• Towards constraining warm dark matter with stellar streams through neural simulation-based inference [7.608718235345664]
  Amortized Approximate Likelihood Ratios (AALR) に基づく確率自由ベイズ推論パイプラインを導入する。 本手法は、暗黒物質サブハローによってのみ恒星の流れが摂動される単純化された場合に適用する。
  論文  参考訳（メタデータ） (2020-11-30T15:53:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。