甚长基线干涉测量中基于WaveletFlow的可扩展贝叶斯成像方法

《Monthly Notices of the Royal Astronomical Society》：Flow-based neural networks for scalable high resolution imaging of VLBI observations

　　甚长基线干涉测量中的贝叶斯采样方法能够实现天文源的高角分辨率可靠成像。然而，即使从经典的MCMC方法过渡到基于流神经网络后，随着恢复特征数量的增加，它们的计算成本仍然很高。我们使用WaveletFlow神经网络架构来增加恢复图像分布中的像素数量，解决了先前模型的扩展问题。我们将该算法应用于模型数据以及RadioAstron项目存档的M87*观测数据和ALMA望远镜的HL Tau观测数据。虽然单个图像的保真度与CLEAN方法相当，但该算法提供了更多的统计信息，这对于未来对活动星系核等致密天体天文学的研究可能至关重要。