arXiv:2610.02245v1 astro-ph.IM

누락된 시뮬레이터가 아닌 누락된 잠재 변수: 실제 JWST 대기 회수를 위한 반지름 증강 추론

A Missing Latent, Not a Missing Simulator: Radius-Augmented Inference for Real JWST Retrieval

Angshuman Chakravertty, P V V Raj

제출 2026-09-30

저자 비고

arXiv Comments

6 pages, 2 figures, 2 tables. Includes appendix and paper checklist

한국어 초록

복사 전달 시뮬레이터를 기반으로 학습된 분할 상환 시뮬레이션 기반 추론(SBI)은 제임스 웹 우주망원경(JWST)의 합성 스펙트럼에서 외계 행성 대기를 정확하게 복원하지만, 실제 축소된(reduced) 스펙트럼에서는 붕괴합니다. 실제 WASP-39b 데이터에서 플로우 사후확률이 붕괴하였으며(중요도 샘플링 유효 표본 크기(ESS) = 1, 최적 적합 \c{hi}2/N = 301), 이러한 실패는 대개 순방향 모델의 물리학적 결함 탓으로 여겨집니다. 그러나 중첩 샘플링(nested sampling)을 통해 이러한 요인들(온도 그래디언트, SO2 불투명도, 고충실도 불투명도 세트)을 먼저 배제하더라도 적합도는 변하지 않았으며, 이는 붕괴의 원인이 시뮬레이터의 오지정(misspecification)이 아니라 누락된 잠재 변수인 행성 반지름에 있음을 의미합니다. 이를 해결하기 위해 본 연구에서는 중요도 샘플링과 최적 수송 맵을 사용하여 독립적인 중첩 샘플링 참조에 맞춰 보정된 반지름 증강 플로우 매칭 사후확률인 MIRAGE를 구축했습니다. 이를 통해 실제 WASP-39b에 대해 물리적이고 기존 문헌과 일치하는 대기 회수 결과를 얻었습니다(\c{hi}2/N이 301에서 0.06으로 개선). 동일한 기법이 두 개의 장비와 세 개의 실제 JWST 대상에 걸쳐 변경 없이 전이되었으며, 여기에는 원시 MAST(Mikulski Archive for Space Telescopes) 데이터로부터 종단간(end-to-end) 직접 축소한 단일 스펙트럼도 포함됩니다. 이 교훈은 여러 분야에 걸쳐 적용될 수 있는데, 시뮬레이터가 인코딩하지만 추론 과정에서 생략된 잠재 변수가 모델 오지정으로 오인될 수 있다는 점을 보여줍니다.

원문 초록

Amortized simulation-based inference (SBI), which is trained on radiative-transfer simulators, recovers exoplanet atmospheres accurately on synthetic James Webb Space Telescope (JWST) spectra but collapses when it comes to real reduced spectra. The flow posterior collapsed on real WASP-39b (importance-sampling effective sample size (ESS) = 1, best-fit \c{hi}2/N = 301), and such a failure is usually blamed on missing the forward-model physics, but ruling these levers out with nested sampling first (a temperature gradient, SO2 opacity, and a high-fidelity opacity set) leaves the fit unchanged, meaning the collapse is not from the simulator misspecification but instead from a missing latent, the planet radius. To fix this, we build MIRAGE, a radius-augmented flow-matching posterior calibrated against an independent nested-sampling reference with importance sampling and an optimal-transport map, which yields a physical and literature-consistent retrieval of real WASP-39b (with \c{hi}2/N from 301 to 0.06). This same method transfers unchanged across two instruments and three real JWST targets, including one spectrum self-reduced end-to-end from raw Mikulski Archive for Space Telescopes(MAST) data. The lesson is cross-domain, as a latent the simulator encodes but the inference omits can masquerade as misspecification.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.02245v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13812v1cs.LG공통 태그 Bayesian Inference, flow matching

정확한 가우시안 조건화를 통한 확산 및 흐름 기반 사후 샘플링 포괄

Spanning Diffusion and Flow-based Posterior Sampling via Exact Gaussian Conditioning

흐름 매칭(flow-matching) 및 확산 모델(diffusion model)은 선형 역문제(linear inverse problem)의 사전확률(prior)로 점점 더 많이 활용되고 있으나, 대부분의 방법은 특정 궤적 사전확률 클래스에만 맞춤화되어 있습니다. 플러그 앤 플레이(plug-and-play) 방식들이 제안되었지만, 이들은 유도된 궤적의 상관관계를 암묵적으로 해제하여 데이터가 희소할 때 성능이 저하될 수 있는 넓은 사전확률을 형성합니다. 본 연구에서는 흐름, 확산 및 탈상관된 사전확률을 일반화하는 상관 매개변수 $β$와 경로 분포가 얼마나 강하게 적용되는지를 제어하는 신뢰도 매개변수 $κ$로 색인화된 범용 플러그 앤 플레이 방법인 $β$-Flow를 제안합니다. 각 단계는 노이즈 제거 네트워크의 단 한 번의 순전파 평가만을 필요로 하며, 이후 가우시안 조건화 단계가 이어집니다. 이 조건화 단계는 네트워크 그래디언트에 의존하지 않는 정확한 칼만 업데이트(Kalman update)입니다. 우리는 기존의 많은 가이드 샘플러들이 칼만 이득 대신 서로 다른 궤적 사전확률과 연산자를 암묵적으로 사용하는 본 방법의 인스턴스 또는 근사치로 해석될 수 있음을 보여줍니다. 이러한 관점에서 우리는 암묵적 편향 및 가정의 측면에서 방법들의 정성적 비교를 제공합니다. 또한 4개 데이터셋에 걸친 7개의 역문제에서 PSNR 및 SSIM 기준으로 일관되게 최고 수준(SOTA)의 성능을 달성함을 입증합니다. 아울러 관측 정보가 적을 때는 높은 신뢰도의 강한 상관관계(엄격한 사전확률)가 가장 효과적이며, 관측 정보가 많을 때는 낮은 상관관계가 선호된다는 점을 보여줌으로써 베이즈 추론(Bayesian inference)에서 사전확률과 가능도(likelihood)의 상호보완적 역할을 반영하는 이러한 사전확률 제어의 유용성을 입증합니다.

arXiv:2607.21702v2cs.LG공통 태그 Bayesian Inference, simulation-based inference

기계 학습을 활용한 베이지안 및 빈도주의 시뮬레이션 기반 추론 입문

An Introduction to Bayesian and Frequentist Simulation-Based Inference with Machine Learning

기계 학습을 이용한 시뮬레이션 기반 추론(SBI, simulation-based inference)은 과학 및 공학에서 역문제를 해결하는 데 점점 더 중요한 도구가 되고 있으며, 여기에는 매개변수 추론과 검출기 효과의 역변환(inversion)이 포함된다. 본 문서에서는 베이지안 및 빈도주의 통계 프레임워크에 대한 개관을 제공하고, 신경 사후 추정(neural posterior estimation) 및 신경 가능도 추정(neural likelihood estimation)과 같은 기계 학습 기반 SBI 방법이 이러한 프레임워크 내에서 매개변수 추정에 어떻게 사용될 수 있는지 설명하며, 동일한 방법이 경험적 베이즈(Empirical Bayes) 또는 unfolding 작업에도 적용될 수 있음을 보인다. 또한 추론 결과를 검증하는 방법과 기계 학습을 이용한 SBI의 한계에 대해서도 논의한다.

arXiv:2607.21843v1stat.ML공통 태그 Bayesian Inference, simulation-based inference

시뮬레이션 기반 경험적 베이즈

Simulation-Based Empirical Bayes

경험적 베이즈(Empirical Bayes, EB)는 많은 관련 잠재 변수에 걸쳐 동시 추론을 수행한다. 고전적 EB는 가능도 p(x | z)가 계산 가능하다고 가정한다. 그러나 많은 과학적 응용에서는 가능도가 시뮬레이터를 통해서만 이용 가능하다. 본 논문은 이러한 암시적(implicit) 가능도에 대한 EB를 개발한다. 우리는 비모수적 EB를 시뮬레이션 기반 추론(SBI)과 연결하는 시뮬레이션 기반 경험적 베이즈(SBEB)를 제안한다. SBEB는 관측 데이터, 시뮬레이터 샘플, 그리고 상각화(amortized) 추론 네트워크를 사용하여 명시적 밀도 없이 EB 추정치를 계산한다. SBEB는 적합된 EB 사전분포를 모집단 사전분포(population prior) 쪽으로 반복적으로 정제한다. 여러 과학적 시뮬레이터와 실세계 데이터를 통해 SBEB가 고정된 사전분포를 사용하는 SBI보다 정확도를 향상시킴을 보여준다.

arXiv:2607.06252v1stat.ML공통 태그 Bayesian Inference, simulation-based inference

신경망 가능도 기반 베이지안 역문제를 위한 볼록 근사 프레임워크

A Convex Approximation Framework for Neural Likelihood-Based Bayesian Inverse Problems

과학과 공학의 많은 문제들은 미지의 물리적 메커니즘, 불충분하게 정량화된 측정 불확실성, 또는 고충실도 시뮬레이션의 과도한 계산 비용으로 인해 정확하게 모델링하기 어렵다. 이러한 어려움은 마르코프 연쇄 몬테카를로(Markov chain Monte Carlo)와 같은 고전적 확률적 추론 방법의 적용 가능성을 제한하며, 특히 고차원 베이지안 역문제에서 두드러진다. 과학 실험의 데이터가 점점 더 많이 활용 가능해짐에 따라, 기계학습 방법은 명시적 매개변수 모델링의 유연한 대안을 제공한다. 우리는 신경 가능도(neural likelihood) 근사를 연구하며, 그 목표는 기저 데이터 생성 과정에 대한 명시적 지식 없이 데이터로부터 직접 가능도 함수를 학습하는 것이다. 일반적인 접근 방식은 진짜 사후 분포와 근사 사후 분포 사이의 쿨백-라이블러 발산(Kullback-Leibler divergence)을 최소화함으로써 가능도 대리 모델을 학습하는 것으로, 이는 기댓값 음의 로그 가능도를 최소화하는 것과 동등하다. 이 연구는 제한적인 모델 클래스의 한계를 완화함으로써 신경 가능도 근사의 이론적 토대를 개선한다: 비정규화 퍼텐셜(un-normalized potentials)을 사용하고 정규화를 학습 목적함수에 통합함으로써, 결과적인 학습 문제가 순볼록(strictly convex)임을 보인다. 결과적인 데이터 기반 목적함수의 경험적 최소화자(empirical minimizers)가 표본 크기가 증가함에 따라 진짜 가능도로 수렴함을 보인다. 신경 가능도 근사에 대한 수치 실험은 디블러링(deblurring) 문제와 비선형 편미분방정식(PDE) 기반 영상화 문제에 대해 수행된다.

arXiv:2607.03904v1cs.LG공통 태그 Bayesian Inference, simulation-based inference

물리 정보 기반 인코딩과 시뮬레이션 기반 추론을 갖춘 트랜스포머를 이용한 펄서 타이밍 배열 데이터에서의 이심 쌍성 블랙홀 강건 검출

Transformers with Physics-Informed Encodings and Simulation-Based Inference for Robust Detection of Eccentric Binary Black Holes in Pulsar Timing Array Data

펄서 타이밍 배열(PTA)은 나노헤르츠 중력파(GW)를 관측할 수 있는 독보적인 창을 제공하지만, 잡음이 많은 장기선 타이밍 잔차에서 천체물리학적 매개변수를 추출하는 작업은 매개변수 공간의 고차원성, 복잡하고 상관된 잡음 모델, 반복적인 가능도 평가의 계산 비용으로 인해 전통적인 베이즈 기법으로는 계산적으로 매우 까다롭다. 우리는 PTA 데이터에서 상대론적 궤도를 도는 이심 쌍성 블랙홀을 효율적으로 추론하기 위해 물리 정보 기반 위치 인코딩 프레임워크를 갖춘 트랜스포머를 소개한다. 우리의 접근법은 구조적 위치 인코딩을 통해 해석적 중력파 위상 진화를 모델에 직접 내재시킴으로써, 네트워크가 원시 PTA 타이밍 잔차로부터 물리적으로 의미 있는 표현을 학습할 수 있도록 한다. 이어서 이산 및 연속 조건부 정규화 흐름을 포함한 생성 모델을 활용하여 시뮬레이션 기반 추론 프레임워크 내에서 사후 분포를 추론한다. 다양한 신호 대 잡음비 범위에 걸쳐, 제안된 방법은 물리 불가지론적 기준선 대비 향상된 정확도, 더 선명한 사후 분포, 빠른 추론을 달성한다. 결정론적 백색 잡음 신호를 대상으로 제시되었지만, 모듈식 프레임워크는 적색 잡음 및 추가 성분을 포함하는 현실적인 PTA 분석으로 손쉽게 일반화된다. 본 연구는 차세대 PTA 데이터셋을 위한 기존 추론 파이프라인의 확장 가능한 대안으로서 물리 인식 심층 학습 모델의 잠재력을 부각시킨다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.