基于神经网络束的更快速贝叶斯推断及 $f(R)$ 模型的新结果

过去几年中，专为天体物理与宇宙学设计的机器学习方法取得了显著进展。我们近期将其中一种方法——神经网络束方法——应用于宇宙学场景，并表明在某些情况下可降低贝叶斯推断过程的计算时间。本文提出对神经网络束方法的改进，使统计分析的计算时间大幅缩减。其新颖之处在于使用神经网络束方法计算 Ia 型超新星的光度距离，而该量通常通过数值积分方法求得。本工作中，我们将此改进应用于 Hu-Sawicki 与 Starobinsky $f(R)$ 模型。我们还使用 Pantheon+ 编目中的 Ia 型超新星数据与宇宙计时器数据进行了统计分析。本工作的另一原创点是在推断过程中对 Ia 型超新星绝对星等的差异化处理，这给出了与文献不同的畸变参数估计。我们表明，采用新方法的统计分析所需计算时间少于此前工作中数值方法及神经网络方法，且该时间在本文所处理的困难计算问题下缩减更为显著。