使用通用微分方程模拟重结合过程的神经网络方法

为建模 $\Lambda$CDM 范式之外的宇宙学，本文演示了在强制因果动态先验条件下自动构建重结合历史模拟器的做法。这些方法在当前精密天文学时代尤为有用，此时大量严格的数据集为由未知内容构成的宇宙学模型提供洞察。宇宙微波背景 (CMB) 数据尤其提供了对暗物质、原子和辐射在早期宇宙中相互作用的清晰视角，但对该数据的解释需要了解宇宙的电离历史。探索新物理与新 CMB 数据将需要快速且灵活的计算该电离历史。我们开发了用于重结合物理的可微分机器学习模型，采用神经网络常微分方程架构（通用微分方程，UDEs），以实现自动降维并避免基于宇宙学模型的手动调参。