近日，中国科学院力学研究所引力波实验中心与中国科学院大学国际理论物理中心（亚太地区）引力波太极实验室联合团队在引力波数据分析与人工智能交叉方向取得重要进展。相关综述论文“Recent advances in simulation-based inference for gravitational wave data analysis”被 Astronomical Techniques and Instruments选为第3卷第2期封面文章。

随着 LIGO-Virgo-KAGRA 等探测网络灵敏度不断提升，观测事件数量快速增长，引力波天文学正从单个事件发现迈向快速参数估计、重叠信号解析和族群性质研究等更复杂的科学任务。传统贝叶斯推断方法精度较高，但在高维参数空间和复杂噪声环境下计算开销大，难以满足未来实时预警和多信使联动观测需求。

该封面论文系统梳理了基于模拟的统计推断（Simulation-Based Inference, SBI）方法在引力波数据分析中的最新进展。SBI 方法无需显式构造复杂似然函数，而是通过物理模拟器生成训练数据，并结合深度学习模型学习观测数据与源参数之间的复杂关系，从而实现快速、可扩展的后验推断。

图2 DINGO 与 LALInference MCMC 对 GW150914 后验分布的比较，显示其实时参数估计的效率与准确性。

综述指出，近年来机器学习方法已在引力波参数估计中展现出显著加速潜力。DINGO 等框架能够在保持与传统 MCMC 方法结果高度一致的同时，将参数推断速度提升数千倍；针对双中子星系统的 DINGO-BNS 方法可在极短时间内完成全参数推断，为电磁对应体快速联动观测提供技术支撑。

图3 DINGO-BNS 可在约 1 秒内完成双中子星系统参数估计，显著快于传统方法。

论文同时指出，SBI 方法距离广泛应用仍面临模型依赖性较强、先验灵活性不足、对真实探测器噪声和极端参数区间适应能力有限等挑战。未来，提升模型可解释性与鲁棒性、推动神经网络架构与物理约束深度融合，将是该方向走向实际应用的重要路径。

这一封面论文第一作者为中国科学院力学研究所博士研究生梁博。他在引力波实验中心长期围绕生成式概率建模和高维贝叶斯推断开展研究，研究对象覆盖空间引力波探测数据处理、引力波参数估计、脉冲星计时阵列（PTA）与随机引力波背景分析以及直接成像系外行星轨道反演等复杂科学反问题。目前，梁博领导太极数据科学团队中一支独立的AI方法研究小组，推动Normalizing Flow、Flow Matching、Simulation-based Inference等机器学习方法在引力波数据分析及相关天文物理场景中的应用。

论文题目：Recent advances in simulation-based inference for gravitational wave data analysis

DOI：https://doi.org/10.61977/ati2025020