宇宙学观测约束中机器学习技术的系统文献综述

本文呈现一项系统文献综述,聚焦于机器学习技术在推导宇宙学观测约束方面的应用。旨在评估并综合现有研究,以识别有效方法、突出研究空白,并提出未来研究方向。我们的综述揭示若干关键发现:(1)多种机器学习技术——包括贝叶斯神经网络、高斯过程以及深度学习模型——已被应用于宇宙学数据分析,改善了参数估计并能处理大规模数据集。然而,实现显著计算加速的模型往往在置信区间方面劣于传统方法,这凸显出未来研究需兼顾效率与测量精度。(2)传统宇宙学方法——例如利用 Ia 型超新星、重子声学振荡以及宇宙微波背景数据的方法——仍是基础性手段,但多数研究仅狭隘地聚焦于特定数据集。我们建议采用更广泛的数据集以充分验证替代性宇宙学模型。(3)所综述的研究主要聚焦于 $H_0$ 张力问题,而其他宇宙学挑战——诸如宇宙学常数问题、温暗物质、幻影暗能量等——则鲜有涉及。(4)将机器学习与马尔可夫链蒙特卡洛相结合的方法展现出可喜成果,尤其是在将机器学习技术用于求解微分方程(例如 Einstein Boltzmann 求解器)并作为马尔可夫链蒙特卡洛模型的先验时,可在保持精度的同时加速计算。(5)亟需标准化的评估标准与方法论,因为训练过程与实验设置的差异性使结果的可比性与可复现性变得复杂(摘要节选)。