使用神经模拟器加速交互暗能量的宇宙学推断

本论文旨在解决大规模结构 (LSS) 的当前与未来宇宙学分析中的两个关键问题：超越 $\Lambda$CDM 对非线性物质功谱的准确建模，以及高效的贝叶斯参数估计算术。两者对于测试替代宇宙学并避免虚假结果至关重要。我们聚焦暗能量相互作用模型 (Dark Scattering, DS)，其描述暗物质-暗能量之间的纯动量传递，通过参数 $A_{\rm ds}$ 实现。为捕获 DS 效应，我们采用 $\tt{ReACT}$ 中的光子反应框架计算非线性 DS 功谱，并通过 $N$ -body 模拟进行验证。我们进一步包括质子反馈和巨型星系，发现 DS 与质子反馈效应存在退化关系，但与星系不会退化。随后我们利用来自 KiDS-1000 的宇宙剪切数据约束 DS，借助 $\tt{CosmoPower}$ 的神经模拟器加速预测，速度提升约 $\mathcal{O}(10^4)$。我们的 DS 模拟器在光子反应输出上进行训练，保持百分之一级精度，并包含质子反馈。分析 KiDS 剪切统计数据，我们得到 $|A_{\rm ds}| \lesssim 20$ b/GeV（$68 \%$ 置信区间）。将 KiDS 与 Planck CMB 和 BAO 数据结合后，我们发现 $A_{\rm ds}=10.6^{+4.5}_{-7.3}$ b/GeV（$68 \%$ 置信区间），暗示 DS 模型可能为解决 $S_8$ 矛盾提供了可行方案。最后，我们使用自动可微管道结合 $\tt{jax-cosmo}$ 和 $\tt{NumPyro}$ 中的梯度采样器，对 Stage IV 观测进行弱引力预测，将计算成本从 CPU 上的数月缩短到 GPU 上的数天。多尺度切割下使用 $\tt{harmonic}$ 评估模型证据。就本工作所发展的建模策略和机器学习加速技术而言，为下一代 LSS 宇宙学提供了强大的工具。