使用贝叶斯神经网络分类修正引力与暗能量理论：大质量中微子、重子反馈与理论误差

我们研究了贝叶斯神经网络在暗物质功率谱中检测新物理的能力。与先前的研究一样，贝叶斯宇宙学网络将光谱分类为 5 类：$\Lambda$CDM、$f(R)$、$w$CDM、Dvali-Gabadze-Porrati (DGP) 引力和一个“随机”类，本工作将其扩展以包含大质量中微子和重子反馈的影响。我们在 BaCoN-II 中进一步发展了理论误差的处理方法，研究了几种方案并确定了最能允许训练好的网络泛化到其他功率谱建模规定的方法。具体而言，我们比较了由 EuclidEmulator2、HMcode 和 halofit 生成的功率谱数据，所有这些数据都补充了晕模型反应以对超出 $\Lambda$CDM 的物理进行建模。我们研究了在这些光谱集上训练的 BNN 分类器，并加入了 Stage-IV 巡天噪声和各种理论误差模型。使用我们最优的理论误差模型，我们的基准分类器在基于 EuclidEmulator2 的光谱上进行训练，且修正参数取自以 $\Lambda$CDM 为中心的 Gauss 分布（$f(R)$：$\sigma_{fR0} = 10^{-5.5}$，DGP：$\sigma_{r\mathrm{c}} = 0.173$，$w$CDM：$\sigma_{w0} = 0.097$，$\sigma_{wa}=0.32$）时，实现了约 95% 的总分类准确率。这进一步证实了该方法有望从即将到来的 Stage-IV 星系巡天中获取最大量的无偏引力与宇宙学信息。