基于深度学习的SDSS和DESI BAO重新校准缓解了哈勃和成团性张力
宇宙学与河外天体物理
2024-12-20 v1 天体物理仪器与方法
机器学习
摘要
重子声学振荡（BAO）数据的传统校准依赖于通过假设宇宙学模型从早期宇宙观测估计拖曳时期的声音视界r_d。我们通过采用深度学习技术进行模型无关的r_d估计，对两个独立的BAO数据集SDSS和DESI进行了重新校准，并探讨了对ΛCDM宇宙学参数的影响。对于重新校准后的数据集，观察到哈勃（H_0）和成团性（S_8）张力均显著降低。其他一些参数的适度偏移暗示了进一步探索此类数据驱动方法的可能性。
引用
@article{arxiv.2412.14750,
title = {Deep Learning Based Recalibration of SDSS and DESI BAO Alleviates Hubble and Clustering Tensions},
author = {Rahul Shah and Purba Mukherjee and Soumadeep Saha and Utpal Garain and Supratik Pal},
journal= {arXiv preprint arXiv:2412.14750},
year = {2024}
}
备注
5 pages, 2 figures, 2 tables. Comments are welcome