基于贝叶斯机器学习的宇宙不透明度约束：H0张力问题的隐藏侧面

贝叶斯（概率）机器学习被用于探测宇宙的不透明度。它依赖于一个生成过程，其中模型是生成涉及模型未知参数与我们的先验信念的数据的关键对象，并使我们能够获得后验结果。针对两个平坦模型（ΛCDM与XCDM，后者满足ω_de ≠ -1），在三个红移区间z∈[0,2.5]、z∈[0,5]与z∈[0,10]中分别确定了宇宙不透明度的约束。此举旨在理解在极深宇宙中宇宙不透明度约束会如何变化，并检验其红移区间依赖性达到何种程度。考虑了如下两种不透明度形式：τ(z) = 2εz 与 τ(z) = (1+z)^{2ε} -1，分别对应位于z=0处的观测者与位于z处的源。我们的分析结果表明，宇宙并非完全透明，这可能对H0张力问题产生显著影响。在生成过程中，已考虑由于宇宙不透明度导致观测者接收到的通量减小这一事实。分析中采用了与宇宙学模型相关的光度距离。