极质量比旋近的参数推断不再需要真值起步：神经网络先圈定搜索区，六个月信号约十小时出后验
核心概要
极质量比旋近（EMRI）的贝叶斯参数推断长期依赖以真实参数为中心的窄先验或近真值初始化的马尔可夫链，而真实观测拿不到这些信息。一种深度学习辅助框架先用神经网络从数据中给出近似后验并据此收缩搜索区域，再由粒子群优化找到高似然起点，最后分阶段做马尔可夫链蒙特卡洛采样。在两个无噪声的六个月模拟信号上，所得后验与近真值初始化的参考分析接近，网络训练完成后每个信号约需十小时。
深度剖析
EMRI参数推断可以在不知道真实源参数的情况下完成初始化，并给出与近真值参考分析接近的后验分布。 此前的EMRI模拟分析通常采用以真实参数为中心的窄先验，或把马尔可夫链蒙特卡洛链初始化在真值附近，这类做法依赖真实观测中并不存在的先验知识。 两个六个月模拟信号Signal 1与Signal 2（后者取固定初相位测试集中体积收缩因子最小者）的后验与采用相同先验和采样设置的参考分析对比，可信区间大幅重叠、参数相关性相似。
框架把学习到的定位与基于似然的采样串起来：神经网络只负责缩小范围，最终估计仍由似然驱动。 直接用神经网络近似EMRI后验在宽先验上仍困难，而直接在大的参数空间上做全局搜索又要反复生成昂贵波形。 神经网络由时间卷积网络与多层感知机组成的嵌入网络加神经样条流构成，用交叉熵损失训练；其给出的边缘可信区间被用来构造轴对齐的收缩搜索区，粒子群优化在该区内最大化联合重叠度，随后用Eryn做分阶段马尔可夫链蒙特卡洛采样，数据时长逐阶段加长至六个月。
搜索空间的收缩在多数参数上明显，且对训练时未见的随机初相位仍保持相近的覆盖。 训练时三个初相位固定为零，因此随机初相位信号构成分布外测试。 在独立测试集上，体积收缩因子的中位数约为某值、最小值约为某值，某比例的测试信号全部真值落在各自搜索区间内；随机初相位测试集给出相近的收缩因子中位数与相同的联合覆盖比例。
启示与展望
演示范围限于无噪声模拟的六个月EMRI信号与受限的源参数域，网络训练时三个初相位固定为零；随机初相位测试集只用于检验搜索区收缩与真值覆盖，完整推断流程只在两个固定初相位信号上跑通。
研究自述为基于无噪声模拟和受限参数域的原理性演示；真实EMRI观测会含仪器噪声与未分辨的银河双星前景，还可能受毛刺、数据缺口以及噪声功率谱密度不确定或变化的影响。Signal 2的搜索区收缩较弱，其部分边缘后验与参考分析在宽度或弱次级结构上存在差异。