Gong-Zhang 参数化在 Rastall 引力中的宇宙学意义：深度学习与观测研究

本研究探讨了各向同性、均匀宇宙在 Rastall 引力中的宇宙动力学。为此，我们采用以 $\omega(z) = \frac{\omega_{0}}{(z+1)}$ 形式表示的 EoS 参数化，推导 Rastall 引力场方程的显式解。我们通过 MCMC 方法利用 OHD、BAO 和 Pantheon plus 超级新星 Ia 数据集约束所推导模型的宇宙学参数。我们还使用深度学习技术和 CoLFI Python 包约束模型参数。本文提出一种创新的深度学习方法用于参数推断。深度学习方法在最优拟合值、参数不确定性和参数间关系方面显著优于 MCMC 技术。这一结论基于两种方法的比较分析。此外，我们确定了过渡红移 $z_t = 0.941$，标志着宇宙从早期减速阶段转向当前加速阶段的模型转换。还呈现并分析了基于状态查找器、 jerk 参数和 $O_m$ 诊断工具的模型诊断结果。该模型能量条件的验证也被检验。