[論文レビュー] Reconstruction of the dark energy scalar field potential by Gaussian process

Jing Niu, Jiao, Kang+2 more|arXiv (Cornell University)|May 8, 2023

Gaussian Processes and Bayesian Inference参考文献 30被引用数 9

ひとこと要約

本論文は H(z) データを用いてガウス過程で暗黒エネルギーのスカラー場ポテンシャル V(z) を再構成し、2つのモデル（Power Law と Free Field）を再構成と比較し、事前分布とデータセットの影響を検討し、精度向上を評価するためにさらに多くの H(z) データをシミュレートする。

ABSTRACT

Dark energy is believed to be responsible for the acceleration of the universe. In this paper, we reconstruct the dark energy scalar field potential $V(ϕ)$ using the Hubble parameter $H(z)$ through Gaussian Process analysis. Our goal is to investigate dark energy using various $H(z)$ datasets and priors. We find that the selection of prior and the $H(z)$ dataset significantly affects the reconstructed $V(ϕ)$. And we compare two models, Power Law and Free Field, to the reconstructed $V(ϕ)$ by computing the reduced chi-square. The results suggest that the models are generally in agreement with the reconstructed potential within a $3σ$ confidence interval, except in the case of Observational $H(z)$ data (OHD) with the Planck 18 (P18) prior. Additionally, we simulate $H(z)$ data to measure the effect of increasing the number of data points on the accuracy of reconstructed $V(ϕ)$. We find that doubling the number of $H(z)$ data points can improve the accuracy rate of reconstructed $V(ϕ)$ by 5$\%$ to 30$\%$.

研究の動機と目的

• 観測的 H(z) データを用いて、暗黒エネルギーを V(phi) のスカラー場としてモデル化できるか研究する。
• ガウス過程を用いて H(z) とその導関数 H'(z) のモデルに依存しない再構成を開発する。
• 再構成された V(z) に影響を与える priors (Planck 18 vs. WMAP9y) と datasets (CC, BAO/OHD) を評価する。
• chi-squared 分析を用いて再構成された V(z) を二つのスカラー場モデル（Power Law と Free Field）と比較する。
• シミュレーションによって H(z) データ点の数を増やすことが V(z) 再構成の精度に与える影響を検討する。

提案手法

• 式 (2.9) および (2.11) から H(z) とその導関数を用いて V(z) を導出する。
• CC と BAO/OHD データと二つの priors (P18 と WMAP9y) を用いて Gaussian Processes で H(z) と H'(z) を再構成する。
• 式 (2.14) を通して不確かさを伝播させ、 sigma_V を得る。
• chi-squared (Table 4) を用いて再構成された V(z) を Power Law と Free Field モデルと比較する。
• H(z) データ点を追加でシミュレートして V(z) 精度の改善を定量化する（データを倍増させると 5-30% の改善）。
• GP ベースの Python ツール GAPP を再構成に活用する。

実験結果

リサーチクエスチョン

• RQ1 異なる H(z) データセット (CC vs OHD) および priors (Planck 18 vs WMAP9y) が再構成された暗黒エネルギーのポテンシャル V(z) にどのように影響するか？
• RQ2 Power Law および Free Field スカラー場モデルは、再構成された V(z) に赤方偏移全体で良く適合するか？
• RQ3 H(z) データ点の数を増やすことが V(z) 再構成の精度にどのような影響を与えるか？
• RQ4 高赤shifts（z ≳ 1.5）の再構成は priors/データセットの選択に対して頑健か？

主な発見

• V(z) の再構成はデータセットと選択された priors の両方に敏感である。
• Power Law モデルは一般に、データセット- priors の組み合わせ全体で Free Field より低い chi^2 値を示す。
• CC+P18、CC+WMAP9y、および OHD+WMAP9y では高赤方偏移でなくてもほとんどの赤方偏移で再構成された V(z) に対して 3σ 内にとどまるが、OHD+P18 では高赤方偏移の V(z) (>1.5) が両モデルを 3σ で除外する。
• データ点を2倍にすることで V(z) 再構成の精度は約 5% から 30% 向上する。
• 再構成は低赤方偏移（z ≲ 0.5–1 はデータセットによって異なる）でモデルとの一致が改善され、特定の priors に対して高赤方偏移でより大きな乖離が生じることを浮き彫りにする。