Testing Bayesian inference of GRMHD model parameters from VLBI data
Notice bibliographique
Résumé
ABSTRACT Recent observations by the Event Horizon Telescope (EHT) of supermassive black holes M87* and Sgr A* offer valuable insights into their space–time properties and astrophysical conditions. Utilizing a library of model images ($\sim 2$ million for Sgr A*) generated from general-relativistic magnetohydrodynamic (GRMHD) simulations, limited and coarse insights on key parameters such as black hole spin, magnetic flux, inclination angle, and electron temperature were gained. The image orientation and black hole mass estimates were obtained via a scoring and an approximate rescaling procedure. Lifting such approximations, probing the space of parameters continuously, and extending the parameter space of theoretical models is both desirable and computationally prohibitive with existing methods. To address this, we introduce a new Bayesian scheme that adaptively explores the parameter space of ray-traced, GRMHD models. The general relativistic radiative transfer code IPOLE is integrated with the EHT parameter estimation tool THEMIS. The pipeline produces a ray-traced model image from GRMHD data, computes predictions for very long baseline interferometric (VLBI) observables from the image for a specific VLBI array configuration and compares to data, thereby sampling the likelihood surface via a Markov chain Monte Carlo scheme. At this stage we focus on four parameters: accretion rate, electron thermodynamics, inclination, and source position angle. Our scheme faithfully recovers parameters from simulated VLBI data and accommodates time-variability via an inflated error budget. We highlight the impact of intrinsic variability on model fitting approaches. This work facilitates more informed inferences from GRMHD simulations and enables expansion of the model parameter space in a statistically robust and computationally efficient manner.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».