Avances en rayos X con NewAthena: seminario impartido por Didier Barret
Didier Barret (Institut de Recherche en Astrophysique et Planétologie) impartirá el próximo 7 de noviembre (15-16 CET) el seminario titulado: Redes neuronales profundas para ajustar espectros de alta resolución tipo NewAthena/X-IFU.
Resumen: En un estudio reciente [1], aplicamos una inferencia basada en simulación con estimación posterior mediante redes neuronales (SBI-NPE) a espectros de rayos X. Entrenamos una red neuronal profunda con espectros simulados generados a partir de un modelo de emisión de fuente multiparamétrico y procesados a través de una respuesta instrumental, de modo que la red aprende la relación entre los espectros simulados y sus parámetros, y devuelve la distribución posterior. Se demostró que el SBI-NPE funciona tan bien como los métodos estándares de ajuste espectral de rayos X, tanto en regímenes Gaussianos como de Poisson, en datos simulados y reales, obteniendo resultados plenamente consistentes en términos de parámetros de mejor ajuste y distribuciones posteriores. El tiempo de inferencia es comparable o incluso menor al requerido para la inferencia Bayesiana, que implica el cálculo de grandes cadenas de Monte Carlo de Markov para derivar las distribuciones posteriores. Por otro lado, una vez entrenada adecuadamente, una red SBI-NPE amortizada genera las distribuciones posteriores en tiempo casi inmediato (menos de 1 segundo por espectro en una computadora portátil de 6 núcleos). Mostramos que SBI-NPE es menos sensible al atrapamiento en mínimos locales que las técnicas estándar de minimización de estadísticas de ajuste. Con un modelo simple, encontramos que la red neuronal puede entrenarse igualmente bien en espectros de dimensión reducida mediante una descomposición en componentes principales, lo que permite un tiempo de inferencia más rápido sin degradación significativa de las distribuciones posteriores. En general, demostramos que la inferencia basada en simulación con estimación posterior neuronal puede considerarse una herramienta complementaria para el análisis espectral de rayos X, ya que la técnica es robusta y produce distribuciones posteriores bien calibradas. En esta presentación, introduciré la técnica, mostraré su aplicabilidad para el ajuste de espectros de rayos X de alta resolución similares a los de X-IFU, incluyendo técnicas alternativas de compresión (estadísticas resumidas, redes de incrustación), y finalmente consideraré la inclusión de fondos. El paquete en Python para el análisis espectral de rayos X basado en inferencia por simulación (SIXSA) está disponible en GitHub, con las simulaciones realizadas con jaxspec [2]. La próxima versión estará completamente integrada con PyXspec para generar las simulaciones necesarias, lo que permitirá el acceso a toda la suite de modelos implementados en XSPEC y permitirá ejecutar SIXSA desde una línea de comandos.
Los detalles de conexión del seminario web son los siguientes:
https://us06web.zoom.us/j/86291450611?pwd=K31DQXEXLK56vs3d08sUkKRlXs9aPZ.1
Passcode: 557900
Se puede acceder a más información, incluido el código de conducta, en el sitio web específico.
References:
Latest News
