一种表征学习方法用于探测物质功率谱中的动力学暗能量

我们提出 DE-VAE，一种变分自编码器（VAE）架构，用于在宇宙大尺度结构的观测研究中搜寻动力学暗能量（DE）模型的压缩表征。DE-VAE 在波数 $k\in(0.01-2.5) \ h/\rm{Mpc}$ 与四个红移值 $z\in(0.1,0.48,0.78,1.5)$ 上，针对描述演化 DE 状态方程的两个额外参数这一最典型动力学 DE 参数化生成的物质功率谱增强上训练。增强被压缩至低维表征，其与标准冷暗物质（CDM）参数拼接后映射回重构增强；压缩与重构组件均以神经网络参数化。显著地，我们发现单一潜参数足以在包含宇宙方差、散粒噪声与系统效应的类第四阶段巡天高斯误差 $1\sigma$（$2\sigma$）内预言宽宇宙学参数范围内 95%（99%）的 DE 功率谱。该单参数与两个 DE 参数有高互信息，且这三变量可通过符号回归以显式方程关联。考虑双潜变量模型仅边际改善预言精度，加入第三潜变量对模型性能无显著影响。我们讨论如何将 DE-VAE 架构从概念验证扩展为通用框架，以用于搜寻广泛超越-$\Lambda$CDM 模型与不同宇宙学数据集的通用低维参数化。此类框架可同时通过瞄准最优探针为宇宙学巡天发展提供信息，并通过对超越-$\Lambda$CDM 模型共同现象学方面提供理论洞见。