C3NN: 宇宙学相关器卷积神经网络——一种用于宇宙学分析的可解释机器学习工具
宇宙学与河外天体物理
2024-02-16 v1
摘要
现代大尺度结构宇宙学研究见证了机器学习方法应用的日益增多。其中，卷积神经网络(CNNs)因其在图像分类、宇宙学参数推断及各种其他任务中的出色表现而受到广泛关注。然而，许多使用CNN的模型因难以将其输出直观且定量地与所研究的宇宙学场联系起来，而被批评为“黑箱”。为克服这一挑战，我们提出了宇宙学相关器卷积神经网络(C3NN)——一种将CNN架构与宇宙学N点相关函数(NPCFs)框架相融合的模型。我们证明，该模型的输出可以明确地用解析可处理的NPCFs来表示。结合其他辅助算法，我们能够通过定量排序不同阶次可解释卷积输出对分类任务的贡献，从而打开“黑箱”。作为概念验证，我们通过将框架应用于一系列使用高斯和对数正态随机场的二分类任务，并将其输出与描述这两个场的解析NPCFs相关联来展示这一点。此外，我们展示了该模型使用N体模拟弱透镜收敛图区分不同暗能量情景( 和 )的能力，并讨论了其可解释性带来的物理含义。通过这些测试，我们表明C3NN将机器学习架构的高级方面与宇宙学NPCFs框架相结合，从而使其成为一种令人兴奋的工具，具有从观测数据中以稳健且可解释的方式提取物理洞察的潜力。
引用
@article{arxiv.2402.09526,
title = {C3NN: Cosmological Correlator Convolutional Neural Network -- an interpretable machine learning tool for cosmological analyses},
author = {Zhengyangguang Gong and Anik Halder and Annabelle Bohrdt and Stella Seitz and David Gebauer},
journal= {arXiv preprint arXiv:2402.09526},
year = {2024}
}
备注
19 pages, 8 figures, 5 tables; Comments are welcome!