从星系红移巡天获取宇宙学约束的混合深度学习方法
宇宙学与河外天体物理
2020-02-12 v1
摘要
我们提出了一种基于深度机器学习(ML)的技术，用于从模拟3D星系巡天精确确定和。该模拟巡天由AbacusCosmos系列-体模拟构建，包含40个跨越一系列宇宙学模型的宇宙学体积模拟，并且我们通过使用广义晕占据分布(HODs)来考虑星系形成情景中的不确定性。我们探索了三种ML模型：3D卷积神经网络(CNN)、基于功率谱的全连接网络，以及将二者合并以结合物理驱动的汇总统计与灵活CNN的混合方法。我们描述了在一系列匹配相位模拟上训练深度模型的最佳实践，并在完全独立的样本上测试了我们的模型，该样本使用了先前未见的初始条件、宇宙学参数和HOD参数。尽管模拟观测相当小（）且训练数据跨越 large 参数空间（6个宇宙学和6个HOD参数），CNN和混合CNN仍能将和约束到分别约和约。
引用
@article{arxiv.1909.10527,
title = {A Hybrid Deep Learning Approach to Cosmological Constraints From Galaxy Redshift Surveys},
author = {Michelle Ntampaka and Daniel J. Eisenstein and Sihan Yuan and Lehman H. Garrison},
journal= {arXiv preprint arXiv:1909.10527},
year = {2020}
}
备注
Submitted to The Astrophysical Journal