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

技術要約：アモルタイズされたX線後験分布が見落とすもの

問題提起
ニューラル後験推定（NPE）は、X線スペクトルフィッティングにおいて大幅な高速化を実現し、従来のネステッドサンプリング（正確なポアソン尤度に基づく、数分を要する手法）からミリ秒単位への推論時間の短縮をもたらす。しかし、このスピードには代償が伴う。アモルタイズされたフローには、固有のキャリブレーション（信頼区間が公称のカバレッジを保証すること）が欠如しており、また、トレーニング用のシミュレーションを生成しているモデルが、実際に観測されたスペクトルを記述しているかどうかを検証する内在的なメカニズムも備わっていない。SBI（Simulation-Based Inference）の広範な文献では、これらの問題に対する診断手法が開発されているが、特定のインストゥルメント応答、低カウント領域におけるポアソンノイズ、およびスペクトルの縮退性を特徴とする実際のX線スペクトルに対する性能は、これまでベンチマークされてこなかった。

手法
著者らは、単一の実在するインストゥルメント応答（XMM-Newton EPIC-pnによるNGC7793_ULX4_PNの観測）を用いて、SBIの信頼性診断の最初のベンチマークを実施した。

• モデルとデータ: 5パラメータの吸収連続体モデル（$t_{\text{abs}} \cdot (\text{powerlaw} + \text{blackbody})$）を、1-D CNNエンベディングを用いた正規化フロー（NSF）を用いて学習させた。トレーニングは、3つのカウント領域（$\sim$100、1000、10000カウント）にわたって行われた。
• 誤設定（Misspecification）の分類: モデルエラーの検出能力をテストするために、4つのエラー・ファミリーを導入した：
  1. B1: 未モデル化の狭い6.4 keV（Fe-K）ガウス線。
  2. B2: 吸収体を部分被覆モデル（$Tbpcf$）に置き換える。
  3. B3: パワーロー連続体を熱的制動放射放射能（thermal bremsstrahlung emissivity）に置き換える。
  4. B4: デテクタ・ゲイン・シフト（エネルギーグリッドの再スケーリング）。
• 診断手法: 3つの検出器を評価した：
  • D1: スペクトルごとの事後予測チェック（累積カウントに対する$\chi^2$およびコルモゴロフ–スミルノフ検定）。
  • D2: スペクトルごとのエンベディング外分布（OOD）距離。
  • D3: 教師ありの集団分離統計量（周辺クラスファイア・二標本検定）。
• リファレンス: 正確なポアソン尤度を用いたネステッドサンプリング（UltraNest）を、キャリブレーションおよびエビデンス計算のグラウンドトゥルースとした。

主要な結果

1. 検出能力:

   • 未モデル化の線（B1）: 事後予測チェック（D1）は、中・高カウントレベルにおいて、高い精度（ROC AUC 0.97）で6.4 keV線を検出することに成功した。未検出の線は、光子指数（$\Gamma$）に有意なバイアスを引き起こし、高カウント時には+0.20のシフトを生じさせた。
   • 部分被覆（B2）: エンベディング検出器（D2）はD1よりも優れた性能を示し、カウント数の増加に伴いAUCが0.67から0.84へと上昇しながら、グローバルな連続体の歪みを検出した。
   • 誤った連続体ファミリー（B3）: スペクトルごとの検出器（D1, D2）は、この誤設定を検出できなかった（AUC $\approx$ 0.5）。これは、モデルがエラーを他のパラメータの中に吸収してしまったためである。集団統計量（D3）のみが意味のある分離を示した。
   • ゲイン・シフト（B4）: 極めて重要なことに、3つのスペクトルごとの検出器のいずれも、3%のデテクタ・ゲイン・シフトをフラグ立てできなかった。 このファミリーの36個のテストセルはすべて、偶然と同程度のレベル（AUC $\approx$ 0.50）に留まった。ゲイン・シフトはスペクトルの形状を維持するため、NPEがそのエラーを連続体パラメータへと折り畳むことが可能となり、サマリー空間でのテストに対して不可視となる。

2. キャリブレーションと誤キャリブレーション:

   • 生成されたフローは、すべてのリカバリ・チェック（真値との高い相関、単調減少する信頼区間）を通過したが、深刻な誤キャリブレーションを示し、平均カバレッジ偏差0.113という過剰適合（over-confidence）を露呈した。
   • SBC（Simulation-based Calibration）とランク・ヒストグラムがこの問題を特定した。根本的な原因は、カウント領域ではなく、単一フローのトレーニングにおけるアーティファクト（学習不足および特定のシード）に起因することが判明した。
   • **分割コンフォーマル再キャリブレーション（Split-conformal recalibration）**は、周辺カバレッジを修復することに成功し、偏差を0.113から0.026へと減少させた。

3. ネステッドサンプリングの役割:

   • ネステッドサンプリングは、NPEよりも$\sim$9,000〜13,000倍遅かった。
   • しかし、ネステッドサンプリングのベイズ・エビデンス（$\Delta \log Z$）は、すべての高速なスペクトルごと検出器が失敗したケース（B4：ゲイン・シフト）において、中程度のカウントでこれを検出することに成功した（$\Delta \log Z \approx -7.8$）。
   • 明らかな誤設定（Fe-K線など）については、エビデンスと事後予測チェックの両者が一致した。

意義と主張
本論文は、アモルタイズされたNPEがX線スペクトルフィッティングに劇的な高速化をもたらす一方で、検証の必要性を代替することはできないと主張している。

• リカバリ $\neq$ キャリブレーション: 高いリカバリ指標は、後験分布が適切にキャリブレーションされていることを保証するものではない。展開前のチェックとして、SBCやカバレッジ・テストが必要である。
• ブラインドスポット（盲点）: 高速なスペクトルごとの信頼スコアは、特定の微妙な誤設定、特にデテクタ・ゲイン・シフトや誤った連続体ファミリーに対して盲目である。なぜなら、これらのエラーはサマリー統計量を変化させることなくモデルパラメータによって吸収される可能性があるからである。
• 信頼のコスト: ネステッドサンプリングは、その計算コストにもかかわらず、高速なスコアが見落とすモデルの誤設定に関する独自の情報（ベイズ・エビデンス経由）を提供する。著者らは、堅牢な科学的推論を確保するために、エビデンスに基づくチェックを高速な後験分布と共に「ループ内」に残しておく必要があると結論付けている。

限界
結果は使用されたXMM-Newton EPIC-pnの応答に特有のものである。本研究では、逐次的なプロポーザル精緻化を行わない単一ラウンドのアモルタイズされたNPEを利用しており、これが高カウント時におけるインポータンス・サンプリングの有効性を制限している。ゲイン・シフトの結果は、テストされた特定の3つの検出器の範囲内のものであり、他の検出器アーキテクチャであればこれらのシフトを検出できる可能性がある。