基于注意力的神经网络模拟器用于多探针数据向量第一部分：预测增长-几何分裂

我们提出了一类新的机器学习模拟器，在Rubin天文台第一年模拟数据背景下精确模拟宇宙剪切、星系-星系透镜和星系聚类的实空间相关函数。为了展示其在预测超越标准$\Lambda$CDM模型方面的能力，我们预测LSST第一年数据将如何能够探测所谓分裂$\Lambda$CDM参数化中几何$\Omega^{\rm geo}_\mathrm{m}$和增长$\Omega^{\rm growth}_\mathrm{m}$暗物质密度之间的一致性。当使用几百万样本训练时，我们的模拟器在18维参数空间的广泛范围内显示出均匀的精度。我们提供了三种神经网络设计的详细比较，说明了采用最先进Transformer块的重要性。我们的研究还详细说明了它们在三种基准宇宙学上计算宇宙剪切贝叶斯证据时的性能。基于Transformer的模拟器在PolyChord精度内始终准确。作为应用，我们使用模拟器研究暗能量模型与增长-几何分裂参数化之间的简并性。我们发现增长-几何分裂仍然是平滑暗能量假设的一个有意义检验。