Estimating the Hubble constant with a federated unscented Kalman filter¶

作者: Guo Li, Wei Li
来源: Monthly Notices of the Royal Astronomical Society
主题: 天体统计
相关性: 7/10
链接: https://doi.org/10.1093/mnras/stag1025

一、子领域定位¶

本文属于天文学的哪一支：Cosmology（宇宙学），具体是哈勃常数测量这一子领域。核心科学问题是：宇宙当前的膨胀速率（\(H_0\)）到底是多少？目前该领域处于一个被称为“哈勃张力”（Hubble tension）的危机状态——用早期宇宙（宇宙微波背景辐射，CMB）数据推断的 \(H_0 \approx 67.4\) km/s/Mpc，与用晚期宇宙（距离阶梯）直接测量的 \(H_0 \approx 73.0\) km/s/Mpc 存在约 5σ 的显著差异。这要么意味着新物理（如暗能量演化、额外辐射），要么意味着某类测量存在未被识别的系统误差。该领域非常活跃，但方法学上仍以 MCMC 全后验采样为主。
本文在这个子领域里的位置：它不试图解决张力本身，而是提出一种计算上更廉价的替代统计框架（联邦无迹卡尔曼滤波，FUKF）来融合多类宇宙学探针数据，以快速估计 \(H_0\) 和其他宇宙学参数。它瞄准的是“计算成本”这个实际痛点——MCMC 在高维参数空间和复杂似然下可能很慢，而 FUKF 作为递归估计器，能以更低代价给出点估计和不确定性。

二、关键术语扫盲¶

哈勃常数 (\(H_0\))：宇宙当前膨胀速率。单位是 km/s/Mpc——意思是，距离我们每增加 1 兆秒差距（约 326 万光年），星系因宇宙膨胀而远离我们的速度就增加约 70 km/s。这是宇宙学最基本的参数之一。
ΛCDM 模型：当前宇宙学的标准模型。Λ 代表暗能量（宇宙常数），CDM 代表冷暗物质。它用 6 个参数（物质密度、哈勃常数等）描述宇宙的组成和演化。本文考虑了“平坦”和“非平坦”两种版本（平坦指宇宙空间几何是欧几里得的）。
Ia 型超新星 (SNe Ia)：一类白矮星爆炸，其峰值亮度非常一致（可校准），因此可作为“标准烛光”——通过测量其视亮度，可以推断它离我们有多远。这是测量宇宙膨胀历史的关键工具。
宇宙计时器 (CC)：通过测量古老、被动演化星系中恒星群体的年龄差，直接推断宇宙的膨胀速率（\(H(z)\)）。它不依赖于距离阶梯，是一种独立的探针。
重子声学振荡 (BAO)：早期宇宙中声波在等离子体中传播留下的“化石”印记，表现为星系在特定尺度（约 1.5 亿光年）上更倾向于成对出现。这个尺度是已知的“标准尺”，通过测量它在不同红移处的视大小，可以追踪宇宙膨胀历史。
红移 (z)：由于宇宙膨胀，遥远天体发出的光波长被拉长。红移 \(z\) 直接对应宇宙的年龄和距离——\(z\) 越大，天体越远、越古老。它是宇宙学中测量距离和时间的核心变量。
SH0ES 距离阶梯：一个通过校准近邻造父变星（另一种标准烛光）来测量 Ia 型超新星绝对亮度，从而构建距离阶梯的项目。其最新结果给出了 \(H_0 \approx 73.0\) km/s/Mpc，是“晚期宇宙”测量的代表。
Planck 2018：欧洲航天局的 Planck 卫星对宇宙微波背景辐射（CMB）的最终数据。CMB 是宇宙大爆炸后约 38 万年的“婴儿照”，通过分析其温度涨落，可以在 ΛCDM 模型框架下推断出 \(H_0 \approx 67.4\) km/s/Mpc，是“早期宇宙”预测的代表。
MCMC (马尔可夫链蒙特卡洛)：一种通过随机采样来近似复杂后验分布的贝叶斯推断方法。在宇宙学中，它是标准工具，但计算成本高，尤其当参数空间维度高或似然函数复杂时。
无迹卡尔曼滤波 (UKF)：一种用于非线性状态空间模型的递归估计算法。它通过一组精心选择的“sigma 点”来传播均值和协方差，避免了计算雅可比矩阵（如扩展卡尔曼滤波所需）。它不提供完整后验，只提供一阶和二阶矩（均值和协方差）。
联邦滤波 (Federated Filter)：一种信息融合架构，将多个局部滤波器（每个处理一类数据）的输出在一个主滤波器中进行融合。它允许不同数据源以不同频率更新，且对局部滤波器故障有一定鲁棒性。

三、天文学家关心的问题¶

天文学家在追问一个根本问题：宇宙的膨胀历史到底是什么？ 这不仅仅是测量今天的 \(H_0\)，更是要测量 \(H(z)\) 随红移 \(z\) 的变化，从而区分不同的暗能量模型、检验广义相对论在大尺度上是否成立，以及理解宇宙大尺度结构的形成。哈勃张力是这个追问中最尖锐的矛盾——它暗示要么我们的宇宙学标准模型（ΛCDM）有缺陷，要么某类测量存在系统误差。

当前领域的主流分析方法是贝叶斯 MCMC。例如，Planck 2018 合作组（Planck Collaboration 2020）使用 MCMC 从 CMB 数据推断 ΛCDM 参数；SH0ES 团队（Riess et al. 2022）也使用 MCMC 从距离阶梯数据推断 \(H_0\)。这些方法能提供完整的后验分布，但计算成本高，且当融合不同数据源时，联合似然的构建和采样可能变得复杂。本文提出的 FUKF 方法，相对于 MCMC，绕开了完整的后验采样，转而使用递归滤波来估计参数的后验均值和协方差。它不提供后验的完整形状（如多峰性），但计算成本显著降低，且能处理非线性模型。本文通过对比 FUKF 和 MCMC 的结果，论证了在参数简并（degeneracy）情形下，FUKF 仍能稳健地恢复后验主区域。

四、数据问题¶

数据来源：三类公开的宇宙学探针数据。
- SNe Ia：Pantheon+ 样本（约 1700 个超新星），是目前最大的 Ia 型超新星光谱样本之一。
- CC：来自文献中汇编的 32 个宇宙计时器测量值（\(H(z)\) 数据点）。
- BAO：来自 SDSS、BOSS、eBOSS 等巡天的 11 个 BAO 测量值（各向同性或各向异性）。
数据形态：目录（catalogue）。每个数据点是一个测量值（如超新星的视星等、\(H(z)\)、BAO 尺度比）及其测量误差（通常是 1σ 不确定度）。对于 SNe Ia，还有额外的协方差矩阵（描述不同超新星之间的系统误差相关性）。
几何结构：无特殊几何结构。数据是离散的、带误差的标量或向量测量值，对应不同的红移 \(z\)。
noise model & 测量误差：假设为高斯噪声。测量误差以标准差或协方差矩阵形式给出，通常是异方差的（不同红移处的测量精度不同）。对于 SNe Ia，协方差矩阵包含统计和系统误差分量。
selection effect / survey mask / Malmquist bias：本文未深入讨论。但这是宇宙学数据分析中的核心问题。例如，超新星巡天存在 Malmquist 偏差（更亮的超新星更容易被探测到，导致样本在远处偏向更亮的天体）。本文使用的 Pantheon+ 样本已由原作者进行了偏差校正，但 FUKF 框架本身并未显式建模这些选择效应。
缺失 / censoring / truncation / 计算约束：无明显的缺失或截断问题。主要的计算约束是 MCMC 在高维参数空间（如非平坦 ΛCDM 有 7 个参数）中的采样效率。FUKF 正是为了缓解这一约束而提出的。
哪些数据特性是“漂亮的统计学问题”，哪些是“纯工程难题”？
- 漂亮的统计学问题：多源异质数据的融合（不同数据有不同误差结构、不同红移覆盖、不同系统误差相关性）；非线性模型下的参数估计与不确定性量化；系统误差的建模与传播（如 SNe Ia 的协方差矩阵）。
- 纯工程难题：MCMC 的收敛诊断与调参；大规模协方差矩阵的存储与求逆；FUKF 中 sigma 点的选择与数值稳定性。这些是计算实现问题，而非统计推断的核心挑战。

五、模型问题¶

文章建立的模型/方法：作者将宇宙学参数估计问题构建为一个状态空间模型。状态向量是宇宙学参数（如 \(H_0, \Omega_m, \Omega_\Lambda\) 等）。观测方程是非线性的，将状态向量映射到三类观测数据（SNe 星等、CC 的 \(H(z)\)、BAO 的尺度比）。FUKF 是一个两步递归过程：
1. 预测步：根据状态转移模型（这里假设参数是常数，即状态不随时间演化，但红移 \(z\) 作为“时间”索引）预测下一红移处的参数均值和协方差。
2. 更新步：当新红移处的观测数据到达时，使用无迹变换（通过 sigma 点）计算预测观测值与实际观测值之间的差异（新息），并用卡尔曼增益更新参数估计。联邦滤波架构允许每个数据源（SNe、CC、BAO）拥有自己的局部 UKF，然后在主滤波器中融合它们的更新。
模型的关键假设：
- 物理约束：宇宙学模型（ΛCDM）是给定的，参数是常数（不随红移演化）。这是标准假设。
- 计算可行性：假设参数的后验分布可以用高斯分布近似（FUKF 只传播一阶和二阶矩）。这是 FUKF 相对于 MCMC 的核心近似——它放弃了捕捉多峰性或非高斯尾部的能力，以换取计算效率。联邦滤波架构假设各局部滤波器之间的相关性可以忽略或通过主滤波器处理。
推断手段：递归贝叶斯估计（卡尔曼滤波框架），具体是无迹卡尔曼滤波。它不是 MLE 或全贝叶斯 MCMC，而是一种近似贝叶斯滤波。
核心数值结论 + uncertainty 量化方式：
- 平坦 ΛCDM：\(H_0 = 68.18 \pm 0.90\) km/s/Mpc。
- 非平坦 ΛCDM：\(H_0 = 66.80 \pm 1.43\) km/s/Mpc。
- 不确定性以 1σ 标准误差给出，来自 FUKF 递归更新的协方差矩阵。作者通过与 MCMC 结果对比，验证了 FUKF 的均值和协方差与 MCMC 的后验主区域一致。

六、对统计学家的判断¶

这篇文章作为入门读物质量如何？
- 评分：3/5 星。
- 理由：文章清晰地阐述了数据来源和科学背景（哈勃张力），对统计学家友好地解释了 FUKF 与 MCMC 的区别。但它不是一个好的第一篇。它假设读者熟悉卡尔曼滤波和状态空间模型，没有对这些核心统计概念进行入门级解释。术语（如“无迹变换”、“sigma 点”、“联邦滤波”）对非专业人士不够自包含。作为入门，它暴露了宇宙学数据融合的核心思路，但统计方法学的介绍过于浓缩。
这个问题值不值得统计学家进入工作？
- 论证：
  - (i) 科学重要性：极高。哈勃张力是当前宇宙学最大的未解之谜之一，其解决可能带来物理学突破。天文学界极度在乎任何能提供新视角或更可靠 \(H_0\) 估计的方法。任何能改进数据融合、系统误差建模或不确定性量化的统计工作都会受到高度关注。
  - (ii) 方法学空间：中等偏上。本文的 FUKF 本身是一个工程应用，统计创新有限。但真正的统计挑战在于：如何超越高斯近似，在保持计算可行性的同时，对非线性、多模态的后验进行融合？如何将系统误差（如超新星绝对亮度的未知演化、BAO 尺度对宇宙学模型的依赖）作为随机效应或潜变量纳入状态空间模型？如何设计对模型误设定（如 ΛCDM 是错的）稳健的融合估计器？这些是真正的统计问题，而非简单套用标准方法。
  - (iii) 社区开放性：中等。作者群（Guo Li, Wei Li）来自天文/物理背景。方法学讨论较浅（主要对比 MCMC）。宇宙学社区对方法学贡献的接受度在提高，但通常更看重“能否解决科学问题”而非“方法有多优雅”。统计学家需要将方法包装在清晰的天文学问题中才能被接纳。
  - (iv) 武器库匹配度：
    - 非常熟悉：nonparametric statistics, minimax bounds, inverse problems with random noise, high-dimensional asymptotics, estimation theory in causal inference, software development。
    - 中等熟悉：semiparametric theory, M-estimation theory。
    - 缺口：状态空间模型与滤波理论（卡尔曼滤波、粒子滤波）不在武器库中。这是本文方法的核心。此外，higher-order U-statistics 和 HOIF 与当前问题无直接关联。
    - 判断：武器库部分匹配。estimation theory 和 inverse problems 的直觉对理解宇宙学参数估计问题有帮助。software development 技能可用于复现和扩展 FUKF 实现。但核心工具（滤波理论）缺失，导致无法直接对本文方法进行理论改进或提出新的滤波方案。
- 明确结论：边缘。理由：科学重要性极高，方法学空间存在（尤其是系统误差建模和稳健融合），但武器库与本文核心方法（卡尔曼滤波）存在显著缺口。若研究者愿意投入时间学习状态空间模型和滤波理论（约 1-2 个月），则值得进入；否则，仅凭现有武器库，难以做出有竞争力的贡献。
若值得进入，研究者能做的具体问题（最多 2 条）
- 问题 1：为 FUKF 的融合步骤开发一个对模型误设定稳健的估计器。具体地，当 ΛCDM 模型假设可能错误时（例如，暗能量状态方程参数 \(w\) 不是常数），FUKF 的预测步会引入偏差。可以使用 M-estimation theory 和 semiparametric theory 中的思想，设计一个对局部模型误设定不敏感的“稳健卡尔曼增益”，或使用 nonparametric statistics 中的局部多项式回归来非参数地估计状态转移。第一步动作：阅读稳健卡尔曼滤波（robust Kalman filtering）文献，并尝试将 Huber 损失或影响函数的概念引入 UKF 的更新步。
- 问题 2：量化 FUKF 近似（高斯后验假设）在宇宙学参数简并情形下的信息损失。当参数高度相关（如 \(H_0\) 和物质密度 \(\Omega_m\) 在 SNe 数据中简并）时，高斯近似可能严重低估不确定性或给出有偏的点估计。可以使用 minimax bounds 和 high-dimensional asymptotics 的工具，分析在何种简并结构下，FUKF 的均方误差与最优贝叶斯估计器（MCMC）的差距有多大。第一步动作：在简并参数空间（如 \(H_0-\Omega_m\) 平面）上，用模拟数据比较 FUKF 和 MCMC 的估计风险，并尝试推导一个理论上的信息损失上界。
下一步读什么？
- 入门综述：《Statistical Challenges in Modern Cosmology》（待核实，但这是一个常见的综述标题）。或搜索“Hubble tension review 2023”找到一篇天文学综述，先理解科学背景。
- 方法学奠基论文：Julier, S. J., & Uhlmann, J. K. (1997). "A new extension of the Kalman filter to nonlinear systems." 这是无迹卡尔曼滤波的原始论文，是理解本文方法的基础。Carlson, N. A. (1988). "Federated filter for fault-tolerant integrated navigation systems." 这是联邦滤波的奠基论文。
- 公开数据集：Pantheon+ 超新星数据集（公开可用，搜索“Pantheon+ data release”）。Cosmic Chronometers 数据集（由 M. Moresco 等人汇编，公开可用）。SDSS/BOSS BAO 数据（公开可用）。这些是本文使用的数据，可以直接下载用于复现和扩展。

七、术语小抄¶

英文术语	中文	一句话解释
Hubble constant (\(H_0\))	哈勃常数	宇宙当前的膨胀速率，单位 km/s/Mpc。
ΛCDM model	ΛCDM 模型	包含暗能量 (Λ) 和冷暗物质 (CDM) 的宇宙学标准模型。
Type Ia supernova (SNe Ia)	Ia 型超新星	一种标准烛光，通过其亮度测量宇宙距离。
Cosmic chronometer (CC)	宇宙计时器	通过测量古老星系的年龄来直接推断宇宙膨胀速率。
Baryon acoustic oscillation (BAO)	重子声学振荡	宇宙大尺度结构中的“标准尺”，用于追踪膨胀历史。
Redshift (\(z\))	红移	因宇宙膨胀导致的光波长拉伸，对应天体的距离和宇宙年龄。
Hubble tension	哈勃张力	早期宇宙预测与晚期宇宙测量得到的 \(H_0\) 值之间的显著差异。
MCMC (Markov chain Monte Carlo)	马尔可夫链蒙特卡洛	一种通过随机采样近似复杂后验分布的贝叶斯方法。
Unscented Kalman filter (UKF)	无迹卡尔曼滤波	一种用于非线性系统的递归估计算法，通过 sigma 点传播均值和协方差。
Federated filter	联邦滤波	一种信息融合架构，融合多个局部滤波器的输出。
Sigma point	Sigma 点	UKF 中用于近似非线性变换的确定性采样点。
Standard candle	标准烛光	已知绝对亮度的天体，用于测量距离。
Standard ruler	标准尺	已知物理尺度的天体结构，用于测量距离。
Parameter degeneracy	参数简并	不同参数组合能产生相似的观测结果，导致估计不确定性增大。

Maintained by 陈星宇 · Homepage · Source on GitHub