[论文解读] 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 5

一句话总结

本文提出了一种基于人工神经网络（ANN）的新方法，用于非参数化重建宇宙学函数（如哈勃参数、fσ₈ 和距离模数），无需事先的理论假设，即使在小样本数据集下亦可实现。此外，该研究提出一种变分自编码器，用于从Ia型超新星数据生成合成协方差矩阵，从而实现贝叶斯推断，揭示了原始数据中未体现的、对ΛCDM模型的微小偏离。

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.

研究动机与目标

• 开发一种无需理论假设的模型无关方法，用于从观测数据中重建宇宙学函数。
• 实现在小样本观测数据集（如宇宙时钟、fσ₈ 和Ia型超新星）上的非参数化重建。
• 提出一种基于变分自编码器的方法，用于从真实超新星数据中生成合成协方差矩阵。
• 通过生成原始数据集中未包含的合成数据点，测试宇宙学约束的鲁棒性。
• 通过使用重建数据的贝叶斯分析，探究对ΛCDM模型的潜在偏离。

提出的方法

• 利用人工神经网络从观测数据中执行宇宙学函数（包括H(z)、fσ₈ 和距离模数）的非参数化重建。
• 使用变分自编码器学习并生成来自Ia型超新星数据观测协方差的合成协方差矩阵。
• 在无先验参数假设的情况下训练神经网络，从而实现灵活、数据驱动的宇宙学函数重建。
• 从重建的分布中随机生成合成数据点，以扩展观测数据集，用于贝叶斯推断。
• 使用原始数据和合成数据对简单暗能量模型进行贝叶斯分析，以评估模型的一致性。
• 通过将合成数据结果与原始数据结果进行比较，验证方法的有效性，以检测潜在的模型偏离。

实验结果

研究问题

• RQ1 人工神经网络是否能够在不假设特定理论模型的前提下，实现对宇宙学函数的精确非参数化重建？
• RQ2 通过变分自编码器生成的合成数据在多大程度上能提升宇宙学参数推断的鲁棒性？
• RQ3 基于重建数据和合成数据的贝叶斯分析是否能揭示原始观测数据集中未体现的、对ΛCDM模型的偏离？
• RQ4 该方法在处理小样本观测数据集（如宇宙时钟和fσ₈测量值）方面有多高效？
• RQ5 神经网络重建与合成协方差矩阵的结合能否提供更可靠的宇宙学约束？

主要发现

• 基于神经网络的重建方法成功从观测数据中恢复了宇宙学函数，且无需参数化假设。
• 该方法即使在数据有限的情况下（如宇宙时钟和fσ₈测量值）也能实现有意义的重建。
• 变分自编码器有效生成了保留原始Ia型超新星数据统计结构的合成协方差矩阵。
• 使用合成数据点的贝叶斯分析揭示了原始数据集中未体现的、对ΛCDM模型的微小偏离。
• 这些偏离表明可能存在与标准模型的张力或新物理，尽管其主要源于重建和合成数据，而非原始观测。
• 结果表明，该方法增强了对模型不一致性的敏感度，为无模型依赖的宇宙学检验提供了新工具。