DeepLSS：利用深度学习联合探针分析打破大尺度结构中的参数简并

在利用 2 点函数的大尺度结构巡天的经典宇宙学分析中，参数测量精度受限于宇宙学与天体物理部门内若干关键简并的限制。对于宇宙剪切，成团振幅 $\sigma_8$ 与物质密度 $\Omega_m$ 大致遵循 $S_8=\sigma_8(\Omega_m/0.3)^{0.5}$ 关系。进而，$S_8$ 与星系内禀对齐振幅 $A_{\rm{IA}}$ 高度相关。对于星系成团，偏置 $b_g$ 与 $\sigma_8$、$\Omega_m$ 以及随机性 $r_g$ 均简并。此外，内禀对齐与偏置的红移演化会引起进一步的参数混淆。层析 2 点探针组合可部分解除这些简并。本工作中，我们证明对弱引力透镜与星系成团的联合探针进行深度学习分析（我们称之为 DeepLSS）能有效打破这些简并，并对 $\sigma_8$、$\Omega_m$、$A_{\rm{IA}}$、$b_g$、$r_g$ 以及内禀对齐红移演化参数 $\eta_{\rm{IA}}$ 给出显著更精确的约束。最显著的增益出现在内禀对齐部分：$A_{\rm{IA}}$ 的精度提升约 8 倍，且几乎与 $S_8$ 完全去相关。星系偏置 $b_g$ 改善 1.5 倍，随机性 $r_g$ 改善 3 倍，红移演化 $\eta_{\rm{IA}}$ 与 $\eta_b$ 改善 1.6 倍。打破这些简并使得 $\sigma_8$ 与 $\Omega_m$ 的约束能力显著增强，品质因数提升 15 倍。我们利用敏感度图直观解释了该信息增益的来源。这些结果表明，基于全数值、以图为基础的前向建模机器学习宇宙学推断方法，可能在未来的大尺度结构巡天中发挥重要作用。我们讨论了将其实际部署于完整巡天分析中的前景与挑战。