基于人工神经网络的暗能量重建分析：应用于鲁宾天文台模拟Ia型超新星数据
宇宙学与河外天体物理
2024-11-01 v3 天体物理仪器与方法
机器学习
摘要
在本文中，我们基于LSST模拟的三年期Ia型超新星(SNIa)数据，利用人工神经网络(ANN)重建方法，对SNIa距离模量和暗能量进行了分析。本研究所采用的ANN利用遗传算法进行超参数调优，并使用蒙特卡洛Dropout进行预测。我们的ANN重建架构能够根据红移值对距离模量及其相关的统计误差进行建模。我们将基于ANN的重建性能与两种理论暗能量模型：CDM和Chevallier-Linder-Polarski (CPL)进行了比较。利用LSST模拟数据对这些理论模型进行了贝叶斯分析，并与Pantheon和Pantheon+ SNIa真实数据的观测结果进行了比较。我们证明了我们的无模型ANN重建与这两种理论模型是一致的。性能指标和统计检验表明，ANN产生的距离模量估计值与LSST数据集吻合良好，并且与CDM和CPL模型仅存在微小差异。
引用
@article{arxiv.2402.18124,
title = {Dark energy reconstruction analysis with artificial neural networks: Application on simulated Supernova Ia data from Rubin Observatory},
author = {Ayan Mitra and Isidro Gómez-Vargas and Vasilios Zarikas},
journal= {arXiv preprint arXiv:2402.18124},
year = {2024}
}
备注
14 Pages, 5 figures; matches the version published in Physics of the Dark Universe