[論文レビュー] Cosmological Reconstructions with Artificial Neural Networks

Isidro Gómez-Vargas, J. Alberto Vázquez+2 more|arXiv (Cornell University)|Apr 1, 2021

Gamma-ray bursts and supernovae参考文献 101被引用数 5

ひとこと要約

本稿では、理論的仮定を前提とせず、小規模なデータセットでさえも、宇宙論的関数（例えばハッブル定数、fσ₈、距離モジュラス）の非パラメトリック再構成を可能にする、人工ニューラルネットワーク（ANN）に基づく新規手法を提案する。さらに、タイプIa超新星の合成共分散行列を生成するための変分オートエンコーダーを提案し、ベイズ推論を可能にすることで、元のデータに見られないΛCDMモデルからのわずかなずれを明らかにする。

ABSTRACT

The relevance of non-parametric reconstructions of cosmological functions lies in the possibility of analyzing the observational data independently of any theoretical model. Several techniques exist and, recently, Artificial Neural Networks have been incorporated to this type of analysis. By using Artificial Neural Networks we present a new strategy to perform non-parametric data reconstructions without any preliminary statistical or theoretical assumptions and even for small observational datasets. In particular, we reconstruct cosmological observables from cosmic chronometers, $f\sigma_8$ measurements and the distance modulus of the Type Ia supernovae. In addition, we introduce a first approach to generate synthetic covariance matrices through a variational autoencoder, for which we employ the covariance matrix of the Type Ia supernovae compilation. To test the usefulness of our developed methods, with the neural network models we generated random data points mostly absent in the original datasets and performed a Bayesian analysis on some simple dark energy models. Some of our findings point out to slight deviations from the $\Lambda$CDM standard model, contrary to the expected values coming from the original datasets.

研究の動機と目的

• 理論的仮定を前提とせず、観測データから宇宙論的関数をモデル独立で再構成する手法の開発。
• 宇宙暦計測器、fσ₈、タイプIa超新星などの小規模な観測データセットを用いた非パラメトリック再構成の実現。
• 実際の超新星データから合成共分散行列を生成するための変分オートエンコーダー手法の導入。
• 元のデータセットに存在しない合成データポイントを生成することで、宇宙論的制約のロバストネスをテスト。
• 再構成されたデータを用いたベイズ分析を通じて、ΛCDMモデルからの潜在的ずれの調査。

提案手法

• 人工ニューラルネットワークを用いて、H(z)、fσ₈、距離モジュラスを含む観測データから宇宙論的関数の非パラメトリック再構成を実施。
• タイプIa超新星データの観測共分散から学習し、合成共分散行列を生成する変分オートエンコーダーの使用。
• パラメトリック仮定を前提とせず、柔軟でデータ駆動型の宇宙論的関数再構成を可能にするニューラルネットワークの訓練。
• 再構成された分布からランダムな合成データポイントを生成し、ベイズ推論用に観測データセットを拡張。
• オリジナルデータと合成データの両方を用いて、シンプルなダークエネルギーモデルのベイズ分析を実施し、モデルの一貫性を評価。
• 合成データの結果とオリジナルデータの結果を比較することで、本手法の妥当性を検証し、潜在的なモデルのずれを検出。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワークは、特定の理論的モデルを仮定せずに、正確な宇宙論的関数の非パラメトリック再構成を可能にするか？
• RQ2 変分オートエンコーダーを用いて生成された合成データは、宇宙論的パrameter推論のロバストネスをどの程度向上させるか？
• RQ3 再構成済みおよび合成データに基づくベイズ分析は、元の観測データセットに顕在しないΛCDMモデルからのずれを明らかにするか？
• RQ4 本手法は、宇宙暦計測器やfσ₈測定値などの小規模な観測データセットを効果的に処理できるか？
• RQ5 ニューラルネットワークによる再構成と合成共分散行列の組み合わせは、より信頼性の高い宇宙論的制約をもたらすか？

主な発見

• ニューラルネットワークベースの再構成は、パラメトリック仮定を必要とせず、観測データから宇宙論的関数を的確に回復した。
• 本手法は、宇宙暦計測器やfσ₈測定値などの限られたデータセットに対しても、意味のある再構成を可能にした。
• 変分オートエンコーダーは、実際のタイプIa超新星データの統計的構造を保持する合成共分散行列を効果的に生成した。
• 合成データポイントを用いたベイズ分析により、元のデータに存在しないΛCDMモデルからのわずかなずれが明らかになった。
• これらのずれは、標準モデルを超える潜在的緊張や新しい物理現象を示唆するが、主に再構成済みおよび合成データから生じるものであり、元の観測からではない。
• 結果から、本手法はモデルの一貫性の不一致に敏感になることを示しており、モデル独立な宇宙論的検証のための新たなツールであることが示された。