[論文レビュー] Reconstructing Gamma Ray Burst Energy Relations with Observational H(z) data in Neural Network Framework

Nilanjana Bagchi Aurpa, Abha Dev Habib+1 more|arXiv (Cornell University)|Jan 13, 2026

Gamma-ray bursts and supernovae被引用数 0

ひとこと要約

この論文は、モデルに依存しないH(z)データを用いてGRBのAmati関係を人工ニューラルネットワーク（ANN）とベイズニューラルネットワーク（BNN）で較正し、結果を比較してAmatiパラメータと不確かさの推定が頑健であることを示す。

ABSTRACT

Gamma-ray bursts (GRBs) offer a powerful probe of the cosmic expansion history far beyond the redshift range accessible to Type Ia supernovae. However, the study of cosmological models using GRBs is hindered by the circularity problem, which arises from assuming a fiducial cosmological model during GRB luminosity distance calibration. In this work, we perform a model-independent calibration of GRB luminosity relations using observational measurements of the Hubble parameter from the A220 and J220 compilations, thereby avoiding explicit cosmological assumptions. We employ an Artificial Neural Network to reconstruct the calibration relation directly from the data. In addition, we implement a Bayesian Neural Network framework as an alternative approach, enabling a data-driven treatment of both statistical and systematic uncertainties. The calibrated GRB sample is used to constrain the Amati relation, and we systematically compare the outcomes obtained from different calibration techniques and datasets. We find that the Amati relation slopes derived from the two neural network approaches are consistent with each other and with previous low-redshift calibrations obtained using model-independent methods. The Bayesian Neural Network approach provides a more robust framework for propagating uncertainties in the calibration procedure.

研究の動機と目的

• GRBをSNe Iaの赤方偏移範囲を超える宇宙論探査の手段として動機づけ、GRB較正における循環問題に対処する。
• fiducial宇宙論を仮定せずにH(z)観測データを用いたモデル依存性のないGRB光度関係の較正を提案する。
• H(z)の再構築をANNで実装し、不確かさの取り扱いについてBNNアプローチと比較する。
• GRBサンプルA220とJ220を用いて再構成されたH(z)とz依存の光度距離からAmati関係を較正する。
• 異なるニューラルネットワークベースの手法とデータセット間で較正の頑健性を評価する。

提案手法

• Observational Hubble Data (OHD)から非パラメトリックにH(z)を再構築する。単一隠れ層4096ニューロン、ELU活性化関数を用い、二乗法残差（chi-squared loss）で訓練する。
• ANN再構築のH(z)の不確かさを見積もるため1000回のブートストラップ実現を取り入れる。
• 32ニューロンの1隠れ層を持つベイズニューラルネットワークを開発し、重みのガウス事前分布を設定；No-U-Turn Sampler（NUTS）によるMCMCで事後分布を取得する。
• 再構成されたH(z)からdL(z)をdL(z)=(1+z)c∫0^z dz'/H(z')で計算し、Amati回帰のE_isoとE_peak_restを導出する。
• Amati関係をy_i = a + b x_iとしてモデル化し、x_i = log10(E_p,i/300 keV)、y_i = log10(4π dL^2 S_bolo,i/(1+z))とする。総不確かさσ_totにはσ_ext、σ_y、およびb^2 σ_x^2を含め伝搬する。
• MCMC（emcee）を用いてANN再構築データとBNN再構築データのa, b, σ_extを同時に制約し、結果を比較する。

Figure 1 : Study of Risk with variation of Neurons

実験結果

リサーチクエスチョン

• RQ1 GRB光度相関をH(z)データだけでモデル依存性なしに較正できるか（宇宙論モデルを仮定せずに）？
• RQ2 ANNとBNNはAmati関係の較正に向けたH(z)再構築と不確かさの推定を一貫して提供するか？
• RQ3 A220とJ220サンプルに対してANNとBNNで得られるAmatiパラメータaとb、および内在分散σ_extはどうなるか？
• RQ4 ANNによる較正とBNNによる較正、及びこれらと以前のモデル非依存法との比較結果はどうなるか？

主な発見

• ANNとBNNに基づくH(z)の再構築は一貫性があり、データ駆動の安定した較正フレームワークを示す。
• A220データセットではAmatiの傾きbはANNで1.231+0.093-0.092、BNNで1.218+0.095-0.096；内在分散σ_extは約0.513（ANN）と0.508（BNN）。
• J220データセットではAmatiの傾きbはANNで1.3791+0.0643-0.0690、BNNで1.3778+0.0654-0.0716；σ_extはANNで0.4106+0.0286-0.0258、BNNで0.4084+0.0287-0.0259。
• BNNフレームワークはより堅牢な不確かさの取り扱いと、特に認識不確かさおよびモデル複雑性の制御の点でANNよりもわずかに厳密または同等のパラメータ推定を提供する。
• 結果は低赤方偏移のモデル非依存型校正およびいくつかの以前の宇宙論的解析と概ね一致する一方、特定の最近の研究とは差異を示す場合がある。

(a)