Clusternets：一种探测聚类暗能量的深度学习方法

机器学习（ML）算法因能从宇宙学数据中提取有价值的信息而在宇宙学中日益流行。本文中，我们评估了在物质密度快照上训练的卷积神经网络（CNN）的性能，以区分聚类暗能量（DE）与宇宙学常数情景，并探测与聚类暗能量相关的声速（$c_s$）。我们将 CNN 的结果与在功率谱上训练的随机森林（RF）算法的结果进行比较。在 $c_s^2 = 1$ 保持不变的情况下，将暗能量状态方程参数 $w_{\rm{DE}}$ 在 -0.7 到 -0.99 范围内变化，我们发现 CNN 方法相比 RF 算法在精度上有显著提升。根据所涉及的物理尺度不同，分类精度的提升可高达 $40\%$。我们还通过从集合 $\{1, 10^{-2}, 10^{-4}, 10^{-7}\}$ 中选择 $c_s^2$ 并保持 $w_{\rm DE}$ 恒定，针对三种不同情况：$w_{\rm DE} \in \{-0.7, -0.8, -0.9\}$，研究了 ML 算法探测声速影响的能力。我们的结果表明，区分不同的 $c_s^2$ 值与 $c_s^2=1$ 的情况具有挑战性，尤其是在小尺度以及 $w_{\rm{DE}}\approx -1$ 时。然而，当我们考虑更大尺度时，$c_s^2$ 探测的精度有所提高。值得注意的是，CNN 算法始终优于 RF 算法，在某些情况下使 $c_s^2$ 探测精度提升约 $20\%$。