[论文解读] 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 9

一句话总结

本文利用高斯过程从 H(z) 数据重构暗能量标量场势 V(z)，并将两种模型（幂律 Power Law 和自由场 Free Field）与重构结果进行比较，考察先验和数据集的影响，并通过模拟更多的 H(z) 数据来评估精度提升。

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$\%$.

研究动机与目标

• 研究如何利用观测到的 H(z) 数据将暗能量建模为具有势 V(phi) 的标量场。
• 通过高斯过程开发无模型依赖的 H(z) 及其导数 H'(z) 的重构。
• 评估先验（Planck 18 与 WMAP9y）和数据集（CC、BAO/OHD）对 V(z) 重构的影响。
• 使用卡方分析将重构的 V(z) 与两种标量场模型（Power Law 与 Free Field）进行比较。
• 通过模拟增加 H(z) 数据点数量对 V(z) 重构准确性的影响进行探索。

提出的方法

• 通过方程（2.9）和（2.11）从 H(z) 及其导数推导 V(z)。
• 利用 CC 和 BAO/OHD 数据及两个先验（P18 与 WMAP9y）通过高斯过程重构 H(z) 与 H'(z)。
• 通过方程（2.14）传播不确定性以获得 sigma_V。
• 使用卡方（表 4）将重构的 V(z) 与 Power Law 和 Free Field 模型进行比较。
• 模拟额外的 H(z) 点以量化 V(z) 精度的提升（数据翻倍时提升约 5%–30%）。
• 使用基于 GP 的 Python 工具 GAPP 进行重构。

实验结果

研究问题

• RQ1 不同的 H(z) 数据集（CC 与 OHD）和先验（Planck 18 与 WMAP9y）如何影响重构的暗能量势 V(z)？
• RQ2 幂律（Power Law）与自由场（Free Field）标量场模型在各红shift 范围内对重构的 V(z) 是否拟合良好？
• RQ3 增加 H(z) 数据点数量对 V(z) 重构精度有何影响？
• RQ4 高红移（z ≳ 1.5）的重构对先验/数据集的选择是否鲁棒？

主要发现

• V(z) 的重构对数据集和所选先验均敏感。
• 在不同数据集-先验组合下，Power Law 模型通常比 Free Field 产生更低的 χ² 值。
• 对于 CC+P18、CC+WMAP9y 及 OHD+WMAP9y，Power Law 模型在大多数红移范围内都在重构的 V(z) 的 3σ 内；对于 OHD+P18，高红移 V(z)（>1.5）在 3σ 水平排除了两种模型。
• 将 H(z) 数据点数量翻倍可使 V(z) 重构的精度提升约 5% 到 30%。
• 在低红移（z ≲ 0.5–1，取决于数据集）处，重构与模型的一致性更好；在高红移处，对某些先验存在更大偏离。