基于人工神经网络框架从观测 H(z) 数据校准 γ 射线暴
宇宙学与河外天体物理
2025-04-04 v2
摘要
本文提出一种从最新观测宇宙时间钟方法获得的观测宇宙学数据（OHD）中校准 γ 射线暴（GRB）的亮度关系的方法，采用人工神经网络（ANN）框架以 cosmology-independent 方式重构 Hubble 参数 。我们考虑数据之间的物理关系，将协方差矩阵和 KL 发散引入损失函数中，并通过选取低红移的 A219 样本和 J220 样本，以选择最佳 ANN 模型校准 Amati 关系（--）。结合 Pantheon+ 类型 Ia 超新星（SNe Ia）样本和来自暗能量光谱仪（DESI）的重力波声学挤压（BAOs）数据与高红移 GRB 在哈勃图中的联合约束，我们发现 CDM 模型优于 CDM 和 CPL 模型，依据赤池信息准则和贝叶斯信息准则。
引用
@article{arxiv.2502.10037,
title = {Gamma-Ray Bursts Calibrated from the Observational $H(z)$ Data in Artificial Neural Network Framework},
author = {Zhen Huang and Zhiguo Xiong and Xin Luo and Guangzhen Wang and Yu Liu and Nan Liang},
journal= {arXiv preprint arXiv:2502.10037},
year = {2025}
}
备注
Accepted for publication in Journal of High Energy Astrophysics