C3NN-SBI：从宇宙场中学习 NPCF 层次结构的物理驱动神经网络
宇宙学与河外天体物理
2026-02-20 v1
摘要
宇宙学分析正逐步超越已充分理解的二点统计量，从而从宇宙场中提取更多信息。将推断管道扩展到其他摘要统计量的一个自然步骤是包含更高阶 N 点关联函数（NPCFs），但这些函数计算昂贵且难以建模。同时，人们尚不清楚需要包含多少 NPCFs 才能合理地耗尽可观测场中的宇宙信息。一种高效替代方案是通过神经网络实现的学习型和优化摘要统计量，但这在很大程度上放弃了我们对 NPCF 规范的物理直觉，使得信息提取对实践者而言变得难以把握。我们设计了一个仿射推断管道，不仅从机器学习摘要的效率中获益，还保留了 NPCF 程序。我们采用受严格约束的宇宙关联卷积神经网络（C3NN），该网络提取的摘要统计量可直接链接到给定阶数的 NPCF。我们将该框架应用于模拟的引力收敛图，并研究该理想化示例中所学摘要在各种 NPCF 阶数中的信息含量。我们将自己的方法视为物理驱动仿射推断的一种激动人心的新途径。
引用
@article{arxiv.2602.16768,
title = {C3NN-SBI: Learning Hierarchies of $N$-Point Statistics from Cosmological Fields with Physics-Informed Neural Networks},
author = {Kai Lehman and Zhengyangguang Gong and David Gebauer and Stella Seitz and Jochen Weller},
journal= {arXiv preprint arXiv:2602.16768},
year = {2026}
}
备注
17 pages, 6 figures