[论文解读] 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 0

一句话总结

该论文通过使用模型无关的 H(z) 数据并结合人工神经网络（ANN）与贝叶斯神经网络（BNN）对 GRB Amati 关系进行率标定，然后对比结果并展示带不确定性量化的鲁棒 Amati 参数。

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.

研究动机与目标

• 促使在超越 SN Ia 的红移范围内将 GRB 作为宇宙学探针的动机，并解决 GRB 标定中的循环性问题。
• 提出基于 H(z) 观测数据的模型无关 GRB 光度关系标定，以避免假设 fiducial 宗量学。
• 实现对 H(z) 的 ANN 重构，并与贝叶斯神经网络（BNN）在不确定性处理方面进行比较。
• 利用重构的 H(z) 与 z 相关的光度距离对 A220 与 J220 GRB 样本进行 Amati 关系标定。
• 评估不同基于神经网络的方法与数据集之标定鲁棒性。

提出的方法

• 从观测哈勃数据（OHD）非参数地重构 H(z)，采用单隐藏层、4096 个神经元、ELU 激活的人工神经网络，并以卡方损失进行训练。
• 引入自助采样（1000 次实现）以估计 ANN 重构 H(z) 的不确定性。
• 开发一个具有 1 个隐藏层、32 个神经元的贝叶斯神经网络，对权重设高斯先验；使用 No-U-Turn Sampler（NUTS）MCMC 训练以获得后验分布。
• 通过重构的 H(z) 计算光度距离 dL(z) = (1+z) c ∫0^z dz'/H(z')，并推导用于 Amati 回归的 E_iso 与 E_peak_rest。
• 将 Amati 关系建模为 y_i = a + b x_i，x_i = log10(E_p,i/300 keV)，y_i = log10(4π dL^2 S_bolo,i/(1+z))；通过总不确定性 σ_tot 传播，其中包含 σ_ext、σ_y 与 b^2 σ_x^2。
• 使用 MCMC（emcee）联合约束 a、b 与 σ_ext，基于 ANN 与 BNN 重构的数据集，并进行结果比较。

Figure 1 : Study of Risk with variation of Neurons

实验结果

研究问题

• RQ1 是否能在不假设宇宙学模型的前提下，利用 H(z) 数据对 GRB 光度相关性进行模型无关标定？
• RQ2 ANN 与 BNN 是否在对随后的 Amati 关系标定中提供一致的 H(z) 重构及不确定性？
• RQ3 在 ANN 与 BNN 的标定下，A220 与 J220 样本的 Amati 参数 a、b 与内在散布 σ_ext 分别是多少？
• RQ4 ANN 与 BNN 的标定结果与先前的模型无关方法相比如何？

主要发现

• 基于 ANN 与 BNN 的 H(z) 重构相互一致，表明存在一个稳定的数据驱动标定框架。
• 对于 A220 数据集，Amati 斜率 b 为 1.231+0.093-0.092（ANN）与 1.218+0.095-0.096（BNN）；内在散布 σ_ext 约为 0.513（ANN）与 0.508（BNN）。
• 对于 J220 数据集，Amati 斜率 b 为 1.3791+0.0643-0.0690（ANN）与 1.3778+0.0654-0.0716（BNN）；σ_ext 约为 0.4106+0.0286-0.0258（ANN）与 0.4084+0.0287-0.0259（BNN）。
• BNN 框架在不确定性处理上提供更鲁棒的处理，并在知识论不确定性与模型复杂度控制方面比 ANN 稍显紧凑或相当。
• 结果与低红移、模型无关标定以及某些先前的宇宙学分析基本一致，同时与某些最近工作存在差异。

(a)