利用长短期记忆网络与高效科赫-阿尔诺夫网络 advancing 宇宙参数估计与哈勃参数重构
宇宙学与河外天体物理
2025-04-02 v1
摘要
本文提出一种新方法，用于宇宙参数估计和哈勃参数 H(z) 重构，采用长短期记忆网络（LSTM）和高效科赫-阿尔诺夫网络（Ef-KAN）。LSTM 网络用于从观测数据中提取特征，实现准确的参数推断和后验分布估计，无需依赖可解的似然函数。该方法在准确性上与传统马尔可夫链蒙特卡洛（MCMC）技术相当，为高维参数空间提供了计算效率更高的替代方案。通过对重构数据进行抽样并与模拟数据比较，我们设计的 LSTM 约束程序在约束精度方面显示出优越性能，有效捕捉宇宙参数之间的退化性和相关性。此外，引入 Ef-KAN 模型用于从观测数据和模拟数据中重构哈勃参数 H(z)。Ef-KAN 完全基于数据驱动，无需先验假设，显示出对复杂非线性数据分布的优越建模能力。我们通过重构哈勃参数验证了 Ef-KAN 方法，证明 H(z) 可实现高精度重构。将 LSTM 与 Ef-KAN 结合，提供了一套用于宇宙参数推断和哈勃参数重构的稳健框架，为未来在复杂数据集和高维参数空间中的研究指明了方向，尤其是处理复杂数据集和高维参数空间的场景。
引用
@article{arxiv.2504.00392,
title = {Advancing Cosmological Parameter Estimation and Hubble Parameter Reconstruction with Long Short-Term Memory and Efficient-Kolmogorov-Arnold Networks},
author = {Jiaxing Cui and Marek Biesiada and Ao Liu and Cuihong Wen and Tonghua Liu and Jieci Wang},
journal= {arXiv preprint arXiv:2504.00392},
year = {2025}
}