利用神经网络加速在配置空间中对 BOSS 进行全形状宇宙学分析
宇宙学与河外天体物理
2023-10-30 v1
摘要
近来,大尺度结构领域内涌现出一波全建模分析的新浪潮,与过去十年中第三阶段实验合作分析所用的标准方法相比,大多带来了对宇宙学参数估计更紧的约束。然而,这些全形状分析主要在傅里叶空间中进行,对配置空间的探索重视有限。在配置空间中研究 n 点关联比傅里叶空间计算代价更高,因为通常需要额外的积分步骤。这在使用这些方法时可能造成限制,尤其在考虑高阶统计量时。缓解高计算时间的一种途径是利用神经网络加速技术。在本工作中,我们呈现了利用神经网络加速器在配置空间中对 Sloan Digital Sky Survey III/BOSS 的全形状分析。我们表明该管线的效率提升了 倍的时间因子且不牺牲精度,使得代理建模的误差可降至 百分之一以下,与 DESI 等当前第四阶段实验所需精度相容。我们得到 、 以及 。我们在公开 BOSS 数据上的结果与 BOSS 官方结果吻合良好,并与其他独立的全建模分析相容。我们探索放宽对 的先验并变化 ,宇宙学参数后验分布的均值无显著变化,但宽度增大。最后,我们探索了多极子在约束宇宙学参数时的信息内容。
引用
@article{arxiv.2310.17834,
title = {Full Shape Cosmology Analysis from BOSS in configuration space using Neural Network Acceleration},
author = {Sadi Ramirez and Miguel Icaza-Lizaola and Sebastien Fromenteau and Mariana Vargas-Magaña and Alejandro Aviles},
journal= {arXiv preprint arXiv:2310.17834},
year = {2023}
}