基于球面图神经网络的 CMB 原始磁场参数贝叶斯推断
宇宙学与河外天体物理
2026-01-28 v1 人工智能
机器学习
摘要
深度学习已在现代宇宙学中发挥变革性作用，提供了从复杂天文数据集中提取有意义物理信息的强大工具。本文实现了一种新型贝叶斯图深度学习框架，用于直接从模拟的 Cosmic Microwave Background (CMB) 图中估计原始磁场 (PMF) 宇宙学参数。该方法利用 DeepSphere，这是一种专为尊重 CMB 数据球面几何而设计的球面卷积神经网络架构，通过 HEALPix 像素化实现。为超越确定性点估计并实现稳健的不确定性量化，我们将贝叶斯神经网络 (BNNs) 集成到该框架中，捕捉反映模型对其预测置信水平的阿尔泾拉尼 (aleatoric) 和欧泰米尼 (epistemic) 不确定性。该方法的表现卓越，实现的 分数超过 0.89，用于磁性参数估计。通过后验训练技术包括方差缩放 (Variance Scaling) 和 GPNormal，我们进一步获得了校准良好的不确定性估计。这一集成的 DeepSphere-BNNs 框架不仅为来自带有 PMF 贡献的 CMB 图提供准确的参数估计，还提供可靠的不确定性量化，为精密宇宙学时代的稳健宇宙学推断提供必要工具。
引用
@article{arxiv.2510.20795,
title = {Bayesian Inference of Primordial Magnetic Field Parameters from CMB with Spherical Graph Neural Networks},
author = {Juan Alejandro Pinto Castro and Héctor J. Hortúa and Jorge Enrique García-Farieta and Roger Anderson Hurtado},
journal= {arXiv preprint arXiv:2510.20795},
year = {2026}
}
备注
16 pages, 6 figures, 4 tables