What an Amortized X-ray Posterior Cannot See: Gain Shifts, Silent Miscalibration, and Where Nested Sampling Still Earns Its Cost

Resumen Técnico: Lo que una posterior de rayos X amortizada no puede ver

Planteamiento del problema
La Estimación de la Posterior Neuronal (NPE, por sus siglas en inglés) ofrece una ventaja significativa de velocidad para el ajuste espectral de rayos X, reduciendo el tiempo de inferencia de minutos (requeridos por el muestreo anidado tradicional sobre verosimilitudes de Poisson exactas) a milisegundos. Sin embargo, esta velocidad conlleva la pérdida de garantías intrínsecas: los flujos amortizados carecen de calibración inherente (que asegure que los intervalos de credibilidad tengan una cobertura nominal) y carecen de mecanismos intrínsecos para verificar si el modelo que genera las simulaciones de entrenamiento describe realmente el espectro observado. Si bien la literatura más amplia de Inferencia Basada en Simulación (SBI) ha desarrollado diagnósticos para estos problemas, su rendimiento en espectros de rayos X reales —caracterizados por respuestas instrumentales específicas, ruido de Poisson en regímenes de bajos conteos y degeneraciones espectrales— no había sido evaluado mediante benchmarks.

Metodología
Los autores realizaron el primer benchmark de diagnósticos de confianza de SBI en espectros de rayos X utilizando una respuesta instrumental real: la observación de NGC7793_ULX4_PN con el instrumento XMM-Newton EPIC-pn.

• Modelo y Datos: Se utilizó un modelo de continuo absorbido de cinco parámetros ($t_{\text{abs}} \cdot (\text{powerlaw} + \text{blackbody})$) entrenado mediante un Flujo Normalizante (NSF) con un embebido de CNN 1-D. El entrenamiento se realizó a través de tres regímenes de conteo ($\sim$100, 1000 y 10000 conteos).
• Familias de Misspecification (Especificación Incorrecta): Se introdujeron cuatro familias de errores de modelo para probar las capacidades de detección:
  1. B1: Una línea de Gauss estrecha de 6.4 keV (Fe-K) no modelada.
  2. B2: Reemplazar el absorbedor por un modelo de cobertura parcial ($Tbpcf$).
  3. B3: Intercambiar el continuo de ley de potencia por una emisividad de bremsstrahlung térmico.
  4. B4: Un desplazamiento de ganancia del detector (reescalado de la rejilla de energía).
• Diagnósticos: Se evaluaron tres detectores:
  • D1: Un chequeo predictivo-posterior por espectro ($\chi^2$ y Kolmogorov–KS sobre conteos acumulados).
  • D2: Una distancia de fuera de distribución (out-of-distribution) del embebido por espectro.
  • D3: Un estadístico de separabilidad de población supervisado (test de dos muestras de clasificador marginal).
• Referencia: El muestreo anidado (UltraNest) sobre la verosimilitud de Poisson exacta sirvió como la verdad fundamental para la calibración y el cálculo de la evidencia.

Resultados Clave

1. Capacidades de Detección:

   • Líneas no modeladas (B1): El chequeo predictivo-posterior (D1) detectó con éxito la línea de 6.4 keV con alta precisión (ROC AUC 0.97) en niveles de conteo medio y alto. Las líneas omitidas causaron un sesgo significativo en el índice de fotones ($\Gamma$), desplazándolo en +0.20 en conteos altos.
   • Cobertura Parcial (B2): El detector de embebido (D2) superó al D1, detectando distorsiones globales del continuo con AUCs que aumentaron de 0.67 a 0.84 conforme aumentaron los conteos.
   • Familia de Continuo Incorrecta (B3): Los detectores por espectro (D1, D2) fallaron en detectar esta especificación incorrecta (AUC $\approx$ 0.5), ya que el modelo absorbió el error en otros parámetros. Solo el estadístico de población (D3) mostró una separación significativa.
   • Desplazamientos de Ganancia (B4): Crucialmente, ninguno de los tres detectores por espectro señaló un desplazamiento de ganancia del detector del 3%. Las 36 celdas de prueba para esta familia rondaron el azar (AUC $\approx$ 0.50). El desplazamiento de ganancia preserva la forma espectral, permitiendo que la NPE incorpore el error en los parámetros del continuo, lo que lo hace invisible para las pruebas de espacio de resumen.

2. Calibración y Malcalibración:

   • Un flujo de producción pasó todas las comprobaciones de recuperación (alta correlación con la verdad, reducción monotónica de los intervalos) pero estaba severamente malcalibrado, exhibiendo sobreconfianza con una desviación de cobertura media de 0.113.
   • La calibración basada en simulación (SBC) y los histogramas de rango identificaron el problema. La causa raíz se rastreó hasta un artefacto de entrenamiento de un solo flujo (subentrenamiento y una semilla específica), no al régimen de conteo.
   • La recalibración de split-conformal reparó con éxito la cobertura marginal, reduciendo la desviación de 0.113 a 0.026.

3. El Rol del Muestreo Anidado:

   • El muestreo anidado fue $\sim$9,000–13,000$\times$ más lento que la NPE.
   • Sin embargo, la evidencia bayesiana ($\Delta \log Z$) del muestreo anidado señaló con éxito el desplazamiento de ganancia (B4) en conteos medios ($\Delta \log Z \approx -7.8$), un caso donde todos los detectores rápidos por espectro fallaron.
   • Para especificaciones incorrectas obvias (como la línea de Fe-K), tanto la evidencia como el chequeo predictivo-posterior estuvieron de acuerdo.

Significancia y Reivindicaciones
El artículo argumenta que, si bien la NPE amortizada proporciona una aceleración masiva para el ajuste espectral de rayos X, no puede reemplazar la necesidad de validación.

• Recuperación $\neq$ Calibración: Las métricas de recuperación altas no certifican que una posterior esté bien calibrada; los chequeos de SBC y de cobertura son necesarios para las comprobaciones previas al despliegue.
• Puntos Ciegos: Los puntajes de confianza rápidos por espectro son ciegos a ciertas especificaciones incorrectas sutiles, específicamente a los desplazamientos de ganancia del detector y a las familias de continuo incorrectas, porque estos errores pueden ser absorbidos por los parámetros del modelo sin alterar los estadísticos de resumen utilizados por los detectores.
• El Costo de la Confianza: El muestreo anidado, a pesar de su costo computacional, proporciona información única (vía evidencia bayesiana) respecto a la especificación incorrecta del modelo que los scores rápidos pasan por alto. Los autores concluyen que un chequeo basado en evidencia debe permanecer "en el bucle" junto con las posteriores rápidas para asegurar una inferencia científica robusta.

Limitaciones
Los resultados son específicos para la respuesta de XMM-Newton EPIC-pn utilizada. El estudio utilizó una NPE amortizada de una sola ronda sin refinamiento de propuesta secuencial, lo que limita la efectividad del muestreo de importancia a conteos altos. El resultado del desplazamiento de ganancia está limitado a los tres detectores probados; otras arquitecturas de detectores podrían detectar tales desplazamientos.