用于多探针数据向量的基于注意力机制的神经网络仿真器 第二部分：评估张力度量
宇宙学与河外天体物理
2024-03-22 v1 天体物理仪器与方法
摘要
下一代宇宙学巡天预计将产生前所未有的高质量数据，从而增加贝叶斯统计方法本已高昂的计算成本。这将对分析宇宙学理论模型构成重大挑战。此外，针对重子效应、内禀对齐和其他系统效应的新缓解技术将不可避免地引入更多参数，从而减慢贝叶斯分析的收敛速度。在此背景下，基于机器学习的加速器是一种有前景的解决方案，能够将此类工具的计算成本和执行时间降低数千倍。然而，在采用实空间两点相关函数的研究中，它们尚未能在第三/四阶段合作项目所采用的参数空间宽先验范围内提供准确预测。本文通过仔细研究现代基于Transformer的神经网络架构，在模拟的鲁宾天文台第一年宇宙剪切 ΛCDM 推断中，朝着这个方向迈出了一大步。基于第一部分引入的框架，我们推广了Transformer模块并融入了额外的层类型，以开发出更通用的架构。我们提出了一种可扩展的方法，用于高效生成一个广泛的训练数据集，该数据集显著超出了第一部分所考虑的先验范围，同时仍满足严格的精度标准。通过我们细致的架构比较和全面的超参数优化，我们证实基于注意力机制的架构在精度上比广泛采用的神经网络设计高出一个数量级。最后，我们测试并应用我们的仿真器来校准张力度量。
引用
@article{arxiv.2403.12337,
title = {Attention-Based Neural Network Emulators for Multi-Probe Data Vectors Part II: Assessing Tension Metrics},
author = {Evan Saraivanov and Kunhao Zhong and Vivian Miranda and Supranta S. Boruah and Tim Eifler and Elisabeth Krause},
journal= {arXiv preprint arXiv:2403.12337},
year = {2024}
}